ESCUELA POLITÉCNICA NACIONAL · 2020. 4. 29. · 1.3.2 Incrustación en la industria petrolera 27...

ESCUELA POLITÉCNICA NACIONAL

FACULTAD DE INGENIERÍA QUÍMICA Y AGROINDUSTRIA

DESARROLLO DE UNA RED NEURONAL ARTIFICIAL PARA LA PREDICCIÓN DE LA TENDENCIA CORROSIVA E INCRUSTANTE EN

TUBERÍAS DE PRODUCCIÓN DE PETRÓLEO

PROYECTO PREVIO A LA OBTENCIÓN DEL TÍTULO DE INGENIERO QUÍMICO

BRYAN ALEXANDER PERALTA ARBOLEDA

DIRECTOR: ING. MARCELO FERNANDO SALVADOR QUIÑONES

Quito, abril 2020

© Escuela Politécnica Nacional (2020)

Reservados todos los derechos de reproducción

DECLARACIÓN

Yo Bryan Alexander Peralta Arboleda, declaro que el trabajo aquí descrito es de mi

autoría; que no ha sido previamente presentado para ningún grado o calificación

profesional; y, que he consultado las referencias bibliográficas que se incluyen en

este documento.

La Escuela Politécnica Nacional puede hacer uso de los derechos correspondientes

a este trabajo, según lo establecido por la Ley de Propiedad Intelectual, por su

Reglamento y por la normativa institucional vigente.

_______________________________

Bryan Alexander Peralta Arboleda

CERTIFICACIÓN

Certifico que el presente trabajo fue desarrollado por Bryan Alexander Peralta

Arboleda, bajo mi supervisión.

___________________________________

Ing. Marcelo Fernando Salvador Quiñones M.Sc.

DIRECTOR DE PROYECTO

AGRADECIMIENTO

Agradezco sinceramente a mi madre, Olga Arboleda por dedicar todo su trabajo,

sacrificio y cariño durante todos estos años, fue gracias a su apoyo que se me ha

permitido llegar hasta este punto y convertirme en lo que soy. Ha sido causa de

orgullo el poder llamarme su hijo.

Agradezco a todas aquellas personas que han formado parte de este trayecto de

vida, en especial a dos personas de las que tengo el gusto llamar amigos, como lo

son Elizabeth Sánchez y David Laverde que han tenido la paciencia y el afecto

suficiente como para apoyarme en los días más difíciles y compartir una sonrisa en

las mejores de las ocasiones.

Agradezco a todos los profesores que tanto dentro y fuera de la universidad

compartieron su conocimiento, valores y destrezas forjando una mejor persona en

mí, en especial al Magister Marcelo Salvador por haber apoyado y guiado este

proceso de aprendizaje, brindar su tiempo, conocimiento, paciencia y consejo

durante toda mi carrera profesional y en la realización de este trabajo de

investigación.

Agradezo al señor Freddy Escobar que con su iniciativa y visión planteo las bases

de lo que se convertiría este proyecto y que posteriormente me brindo la

información necesaria durante el proceso de investigación, de igual manera al señor

Oscar Fierro y el señor Cristian Goyes por compartir conmigo parte de sus

conocimientos.

Finalmente agradezco a cualquier persona que pudiese leer este apartado y la

presente tesis, por permitir que el conocimiento que he adquirido, las experiencias

vividas y las investigaciones realizadas se vuelvan parte de su repertorio de

conocimiento.

DEDICATORIA

Dedico este logro a mi familia, amigos y aquella persona que ya no se encuentra,

quienes fueron, son y serán el mayor de mis apoyos emocionales durante el tiempo

que continúe aprendiendo.

A mis maestros quienes muchas veces vieron más en mi de lo que yo era capaz de

reconocer, que con su apoyo desinteresado e infinita paciencia no solo depositaron

conocimientos, sino que también me dieron grandes ejemplos de vida. A mis

maestros cuyas expectativas no pienso defraudar sin importar que tan arduo sea el

camino.

Dedico esta investigación a todos los estudiantes y la comunidad universitaria como

un primer y pequeño escalón dentro las aplicaciones de la inteligencia artificial al

campo de la ingeniería química en nuestro país.

i

ÍNDICE DE CONTENIDOS

PÁGINA

RESUMEN xiii

INTRODUCCIÓN xv

1. REVISIÓN BIBLIOGRÁFICA 1

1.1 Redes neuronales artificiales 1

1.1.1 Fundamentos biológicos de las redes neuronales 1

1.1.2 Modelos de neuronas artificiales 2

1.1.2.1 Unidades de procesamiento 3

1.1.2.2 Conexiones entre unidades 3

1.1.2.3 Activación y reglas de salida 4

1.1.3 Arquitectura de la red neural 5

1.1.4 Aprendizaje y esquemas 8

1.1.4.1 Esquema de aprendizaje supervisado 9

1.1.4.2 Aprendizaje por refuerzo/programación neurodinámica 10

1.1.4.3 Aprendizaje no supervisado 12

1.1.5 Aprendizaje automático 12

1.1.5.1 Tarea 14

1.1.5.2 Algoritmo 14

1.1.5.3 Modelos 14

1.1.5.4 Datos e inconsistencias en el aprendizaje automático 15

1.2 Tipos de corrosión interna en tuberías de petróleo 17

1.2.1 Corrosión en la industria petrolera 17

1.2.2 Tipos de corrosión y agentes asociados en la industria del petróleo y gas 18

1.2.2.1 Reacción anódica 19

1.2.2.2 Corrosión dulce (corrosión por dióxido de carbono (CO2) 20

ii

1.2.2.3 Corrosión agria (corrosión por ácido sulfhídrico (H2S) 21

1.2.2.3 Corrosión por oxígeno 22

1.2.2.4 Corrosión galvánica 23

1.2.2.5 Corrosión en grietas 23

1.2.2.6 Corrosión por erosión 24

1.2.2.7 Corrosión inducida microbiológicamente (CIM) 24

1.2.2.8 Corrosión bajo tensión (CBT) 25

1.3 Tendencia incrustante en tuberías de petróleo 25

1.3.1 Naturaleza de la incrustación 25

1.3.2 Incrustación en la industria petrolera 27

PARTE EXPERIMENTAL 30

2.1 Caracterizar física y químicamente el crudo de cuatro pozos productores con la

finalidad de crear una base de datos 31

2.2 Generación de la base de datos 32

2.2.1 Base de datos dedicada a la tendencia incrustante de fondo 33

2.2.2 Base de datos dedicada a la tendencia corrosiva de cabeza 33

2.3 Desarrollar y evaluar un modelo computacional con base en el comportamiento de

cada pozo de estudio con respecto a la velocidad de corrosión y la tendencia

incrustante 34

2.4 Desarrollo y ajuste del árbol de decisión neural (MADN) 34

2.4.1 Tendencia incrustante de fondo 36

2.4.2 Tendencia corrosiva de cabeza 36

2.5 Evaluar y validar las predicciones realizadas por el modelo computacional

contrastando la predicción realizada con la información obtenida de la

caracterización fisicoquímica de los pozos productores y la predicción generada

por el software French Creek 38

2.5.1 Clasificación de información desde la base de datos para validación externa 38

2.5.2 Validación externa con el programa ScaleSoftPitzer 38

iii

RESULTADOS Y DISCUSIÓN 40

3.1 Generación de la base de datos 40

3.1.1 Base de datos dedicada a la tendencia incrustante de fondo 41

3.1.2 Base de datos dedicada a la tendencia corrosiva de cabeza 44

3.2 Selección del algoritmo clasificador 47

3.2.1 Estructura del modelo de árbol de decisión neuraL (MADN) 47

3.3 Desarrollo y ajuste del árbol de decisión neural (MADN) 48

3.3.1 Tendencia incrustante de fondo 48

3.3.2 Tendencia corrosiva de cabeza 60

3.3.3 Desempeño de los modelos de árbol de decisión neuraL 72

3.4 Validación externa de la predicción generada por el árbol de decisión neural (madn)

utilizando un programa dedicado 73

3.4.1 Clasificación de información desde la base de datos para validación externa 73

3.4.2 Validación externa con el programa ScaleSoftPitzerTM (French Creek) 75

3.4.2.1 Tendencia incrustante de fondo 75

3.4.2.2 Tendencia corrosiva de cabeza 76

CONCLUSIONES Y RECOMENDACIONES 79

4.1 Conclusiones 79

4.2 Recomendaciones 81

BIBLIOGRAFÍA 84

ANEXOS 91

iv

ÍNDICE DE TABLAS

PÁGINA

Tabla 1.1. Clasificación de las redes neuronales artificiales 7

Tabla 1.2. Iones presentes en el petróleo, gas y agua 26

Tabla 2.1. Ensayo realizado y procedimiento respectivo para cada análisis

aplicable

32

Tabla 3.1. Predictores retirados 40

Tabla 3.2. Resumen de características de predictores cuantitativos para

tendencia incrustante de fondo

42

Tabla 3.3. Resumen de características de predictor y respuesta cualitativos para


43

Tabla 3.4. Resumen de características de predictores cuantitativos para

tendencia corrosiva de cabeza

44

Tabla 3.5. Resumen de características de predictor y respuesta cualitativos para


46

Tabla 3.6. Resultados de la última evaluación de desempeño de la observación

estimada mínima y la observación objetiva mínima para el MADN

de tendencia incurstante de fondo

49

Tabla 3.7. Rendimiento del modelo de árbol de decisión neural para la tendencia

incrustante de fondo

51

Tabla 3.8. Especificaciones y valores de criterio para el árbol de decisión de


56

Tabla 3.9. Resultados de la última evaluación de desempeño de la

observación estimada mínima y la observación objetiva

mínima para el MADN de tendencia corrosiva de cabeza

61

Tabla 3.10. Rendimiento del modelo de árbol de decisión neural de tendencia

corrosiva de cabeza

62

Tabla 3.11. Especificaciones y valores de criterio para el árbol de decisión de


65

v

Tabla 3.12. Características de la base de datos filtrada para la validación externa 74

Tabla 3.13. Tasa de aciertos de la validación externa para la predicción de la


76

Tabla 3.14. Tasa de aciertos de la validación externa para la predicción de la


77

Tabla AIV.1. Base de datos destinada a la validación externa de la tendencia


138

Tabla AIV.2. Base de datos destinada a la validación externa de la tendencia

corrosiva de cabeza

141

Tabla AIV.3. Comparación externa de la predicción de tendencia incrustante de

fondo

143

Tabla AIV.4. Comparación externa de la predicción de tendencia corrosiva de

cabeza

144

vi

ÍNDICE DE FIGURAS

PÁGINA

Figura 1.1. Neurona biológica 1

Figura 1.2. Componentes básicos de una red neuronal artificial 3

Figura 1.3. Funciones de activación para una unidad 5

Figura 1.4. Red neural con estructura de capas de nodos 6

Figura 1.5. Clasificación de la red neuronal dependiendo de la arquitectura de

capas. a) Red neuronal de una sola capa b) Red neural multicapa

(superficial) c) Red neuronal profunda

7

Figura 1.6. Concepto de aprendizaje supervisado 10

Figura 1.7. Diagrama de bloques de aprendizaje por refuerzo 11

Figura 1.8. Diagrama de bloques de aprendizaje no supervisado 12

Figura 1.9. Sistema de aprendizaje automático utilizando inteligencia

artificial

13

Figura 1.10. Categorías de modelos de aprendizaje 15

Figura 1.11. Aprendizaje automático 16

Figura 1.12. Esquema de celda de corrosión 17

Figura 1.13. Caminos del mecanismo de corrosión por H2S. Después de la

absorción inicial de H2S en la superficie del hierro, una capa

delgada de FeS amorfo puede formarse tanto por el camino 1 como

el camino 2

22

Figura 1.14. Mecánismo de corrosión galvánica 23

Figura 1.15. Corrosión en grietas 24

Figura 1.16. Corrosión por erosión en tubería 24

Figura 1.17. Corrosión inducida microbiológicamente (CIM) 25

Figura 1.18. Nucleación a) homogénea b) heterogénea 27

Figura 2.1. Esquema de desarrolló de modelo de árbol de decisión neural

(MADN)

35

Figura 3.1. Árbol de decisión simple 48

vii

Figura 3.2. Objetivo mínimo vs. Número de evaluaciones de la función del

algoritmo clasificador para la tendencia incrustante de fondo

49

Figura 3.3. Modelo de función objetivo para la tendencia incrustante de fondo 50

Figura 3.4. Estimación de la importancia de los predictores para el MADN de


52

Figura 3.5. Equilibrio trifásico en el sistema CO2/Carbonato 54

Figura 3.6. Árbol de decisión para tendencia incrustante de fondo 55

Figura 3.7. Objetivo mínimo vs. Número de evaluaciones de la función del

algoritmo clasificador para la tendencia corrosiva de cabeza

60

Figura 3.8. Modelo de función objetivo para la tendencia corrosiva de cabeza 61

Figura 3.9. Estimación de la importancia de los predictores para el MADN de


63

Figura 3.10. Árbol de decisión para tendencia corrosiva de cabeza 68

Figura AI.1. Análisis fisicoquímico de petróleo y gas; y condiciones de

operación de estación Shushufindi, campo central (Ensayos del 1

al 12)

92



al 25)

93



al 27)

93



al 9)

94



al 17)

95


operación de estación Shushufindi, campo Drago (Ensayos del 1 al

9)

96

viii


operación de estación Shushufindi, campo Drago (Ensayos del 10

al 21)

96


operación de estación Shushufindi, campo Suroeste

97


operación de estación Shushufindi, campo Sur

97


operación del bloque petrolero 21 (Ensayos del 1 al 14)

98



98



99



99



100



100



101



101



102



102



103



103



104

ix



104



105



105



106



106



107



107



108



108



109



109


operación de pozos explotados por Petroamazonas EP (Ensayos

del 1 al 4)

110



del 5 al 8)

110



del 9 al 12)

111

x



del 13 al 16)

111



del 17 al 20)

112



del 21 al 24)

112



del 25 al 28)

113



del 29 al 32)

113



del 33 al 36)

114



del 37 al 40)

114



del 41 al 44)

115

Figura AII.1. Base de datos (Ensayos desde 1 al 80) 116








xi




xii

ÍNDICE DE ANEXOS

PÁGINA

ANEXO I

Análisis fisicoquímicos y condiciones de operación de tuberías de

extracción de petróleo

92

ANEXO II

Generación de la base de datos y discriminación de la información

perteneciente a predictores y respuestas

116

ANEXO III

Desarrollo del modelo de árbol de decisión neural (MADN) 129

ANEXO IV

Validación externa 135

xiii

RESUMEN

El presente proyecto tuvo por objetivo el diseñar una red neuronal artificial para

generar predicciones sobre la tendencia incrustante de fondo y la tendencia

corrosiva de cabeza en tuberías de extracción de petróleo en la región amazónica

del Ecuador. Para este fin, se recolectó la información de los análisis fisicoquímicos

del petróleo y gas, además de las condiciones de operación de los pozos de

extracción.

Una vez recolectada la información, se generó una base de datos en donde la

información de los análisis y mediciones se consideró como predictores, y la

tendencia incrustante y corrosiva asociada a cada conjunto de información se

consideró como respuesta. Se inspeccionó a los predictores separando de la base

de datos aquellos que presentasen ausencia de información, en consecuencia, la

base de datos redujo su cantidad de predictores a 19 tanto para la tendencia

incrustante de fondo como para la tendencia corrosiva de cabeza. Se creó una base

de datos dedicada a la tendencia incrustante de fondo con un total de 460 ensayos

y para la tendencia corrosiva de cabeza con un total de 423 ensayos, para ambos

casos se separó el 85 % de las mismos para su empleo en el entrenamiento de la

red neural y el restante 15 % para la fase de prueba de la red neural.

Tras la estructuración de la base de datos se procedió a seleccionar el algoritmo

clasificador utilizado por la red neural artificial. Con base en la presencia de un

predictor con información cualitativa y la información de respuesta de la tendencia

incrustante y la tendencia corrosiva siendo de carácter cualitativo, se desarrolló el

modelo de árbol de decisión neural (MADN) que presentó las mejores

características para el manejo de información cualitativa y compensación frente a

ausencias parciales de información dentro de la base de datos dedicada al

entrenamiento de la red neural.

Una vez establecido el algoritmo clasificador, árbol de decisión, dentro de la

arquitectura de la red neural artificial se sometió a la misma a una etapa de

refinamiento en busca de mejorar la calidad de las predicciones realizadas.

Resultado de la etapa de refinamiento al modelo de árbol de decisión neural para

xiv

la tendencia incrustante de fondo obtuvo una tasa de acierto de sus predicciones

del 83,45 %; mientras que las predicciones realizadas por el modelo de árbol de

decisión neural para la tendencia corrosiva de cabeza obtuvieron una tasa de

acierto en sus predicciones del 63,97 %.

Finalmente se realizó una validación externa utilizando el programa

ScaleSoftPitzerTM para un conjunto de 40 ensayos previamente seleccionados,

obteniendo una diferencia en la tasa de predicción del 10,0 % para la tendencia

incrustante de fondo y del 4,5 % para la tendencia corrosiva de cabeza. Esto validó

los árboles de decisión neural desarrollados para generar predicciones de

tendencia incrustante y corrosiva para casos dentro del campo de la actividad

petrolera de la región amazónica del Ecuador.

xv

INTRODUCCIÓN

La presente investigación estudia la tendencia incrustante y corrosiva en líneas de

tuberías de extracción de petróleo y gas, cuya existencia es asociada con la

mayoría de las causas de daño en la integridad de los equipos y facilidades dentro

de la industria del petróleo y gas

Para analizar esta problemática es necesario mencionar dos de las dificultades

dentro del petróleo y gas natural que son la corrosión y la incrustación. La corrosión

es el deterioro de los materiales, generalmente los metales, provocada por una

reacción química con el medio que los rodea y cuya consecuencia es la pérdida de

integridad del material en cuestión y su consecuente pérdida de funcionalidad

(Hassani, Roberts, Shirazi, Shadley, y Rybicki, 2011, p.4). La incrustación es el

fenómeno resultante que ocurre cuando una costra mineral se deposita sobre una

superficie, debido a la precipitación de sustancias disueltas o en suspensión en un

fluido y que entorpecen o impiden el flujo del mismo cuando se da dentro de líneas

de tubería (Zerpa, 2013, p.30).

Los efectos tanto de la corrosión como de la incrustación sobre instalaciones y

equipos industriales producen anualmente pérdidas significativas de capital. En los

países industrializados con actividad petrolera se ha valorado hasta en un tres por

ciento del producto interno bruto (PIB), siendo aún mayor la cifra en países en vías

de desarrollo. Dicho porcentaje se toma sobre la valoración equivalente de la

industria petrolera y de gas para llegar a una cuantificación estimada en relación al

aspecto económico del total generado por dicha industria (Popoola, Grema,

Latinwo, Gutti, y Balogun, 2013, p.2).

En países de Latinoamérica la fuente de energía de mayor uso son los combustibles

fósiles y el gas natural. El petróleo y gas son las fuentes dominantes de energía

para la producción y el desarrollo en Ecuador. Al igual que cualquier otro producto

de consumo, es necesario mejorar los procesos asociados a la obtención del

recurso, almacenamiento y transporte para mejorar la integridad de líneas de

tubería dedicas a la extracción de petróleo y gas. La investigación de esta

problemática se realizó con el fin de asegurar que las instalaciones dedicadas a la

xvi

extracción realicen sus tareas de forma eficiente y segura, obteniendo información

por adelantado de cualquier daño u obstrucción que pudiese presentar la tubería

con el fin de implementar acciones de prevención antes que acción de corrección y

reparación.

En la última década la importancia de prever la severidad de la corrosión o la

facilidad a la formación de depósitos en la industria de petróleo y gas, ha motivado

el interés del sector industrial a realizar investigaciones sobre nuevas herramientas

enfocadas al uso de la inteligencia artificial con el fin de mejorar la comprensión de

la tendencia corrosiva o incrustante.

En el marco del ejercicio de la ingeniería química y la búsqueda de integrar nuevas

tecnologías al proceso investigativo, las propiedades fisicoquímicas del petróleo y

gas; y las condiciones de operación de extracción se han utilizado en combinación

con esquemas de aprendizaje automatizado para estudiar la tendencia corrosiva e

incrustante en las tuberías de extracción del fluido.

Producto de la investigación se desarrolló una red neuronal artificial basada en

árboles de decisión capaces de generar un algoritmo de discernimiento lógico que

con base en la información alimentada fue capaz de realizar una predicción sobre

la tendencia incrustante y corrosiva de la línea de tubería estudiada.

Durante el desarrollo de la investigación, uno de los obstáculos para generar

modelos de árbol de decisión neural de gran fiabilidad fue la calidad de información

suministrada para el desarrollo del algoritmo clasificador. La causa de esta dificultad

fue un mal manejo de protocolos de ingreso y almacenamiento de información por

el personal a cargo de ingresar los resultados de los análisis y las mediciones de

las condiciones de operación.

Las tareas realizadas fueron el analizar la información aportada por diferentes

empresas de servicios petroleros, clasificar la información y seleccionar el algoritmo

de clasificación idóneo para la resolución del problema. Además, se planteó el

generar dos modelos de árbol de decisión neural independientes que aportasen

predicciones tanto para la tendencia incrustante de fondo, como para la tendencia

xvii

corrosiva de cabeza. Finalmente, se planteó el contrastar las predicciones

obtenidas por el modelo de inteligencia artificial con un programa dedicado a la

generación de predicciones de tendencia corrosivas e incrustantes con el fin de

validar la calidad de predicción, de los modelos de árbol de decisión desarrolados

tanto para la tendencia incrsutante de fondo, como para la tendencia corrosiva de

cabeza.

1

1. REVISIÓN BIBLIOGRÁFICA

1.1 REDES NEURONALES ARTIFICIALES

1.1.1 FUNDAMENTOS BIOLÓGICOS DE LAS REDES NEURONALES

La red neural artificial que se describire en el presnte trabajo está remotamente

relacionada con su contraparte biológica. El cerebro consiste en un gran número

de elementos altamente conectados, aproximadamente 1011, llamadas neuronas

con un promedio de 104 conexiones por elemento (Busch y Micheli-Tzanakou,

2009, p.32) .

En una neurona simplificada como se muestra en la Figura 1.1 la información es

recibida por la neurona a través de la sinapsis ocurrida en cada una de sus

dendritas, redes receptivas en forma de árbol de fibras nerviosas, como respuesta

a un estímulo externo o proveniente de otra neurona. El cuerpo celular suma las

señales recibidas y las envía a través del cuerpo celular mediante una fibra larga

conocida como axón (Fyfe, 2012, p.8).

Figura 1.1. Neurona biológica

(Veelenturf, 2008, p.3)

Una transmisión electro-química ocurre en la sinapsis la cual permite que la

información sea transferida de una neurona a otra. La información es enviada a lo

largo de las dendritas hasta alcanzar el cuerpo celular en donde se reciben y

acumulan los impulsos eléctricos tomados por el cuerpo de la célula, y se envía una

2

señal en específico producto de dicha acumulación que es conocida como función

(Viñuela y Galván León, 2009, p.5).

1.1.2 MODELOS DE NEURONAS ARTIFICIALES

Una red neuronal artificial consiste en un conjunto de unidades de procesamiento

simples que se comunican a través del envió de señales, utilizando un gran número

de conexiones ponderadas, las cuales pueden tener conexiones que se dirigen

hacia una única neurona o conexiones que en simultáneo pueden enviar señales a

varias neuronas (Krose y Smagt, 2007, p.15). Otros conceptos relacionados son

presentados a continuación y esquematizados en la Figura 1.2.

Conjunto de unidades de procesamiento denominadas como: neuronas,

células o nodos.

Estado de activación 𝑦𝑘 para cada unidad o la salida de la unidad o nodo;

Conexiones entre nodos. En general, cada conexión se define por un peso

𝑤𝑗𝑘 que determina el efecto que tiene la señal del nodo 𝑗 sobre el nodo 𝑘;

Regla de programación, la cual determina la salida efectiva 𝑠𝑘 de una unidad

a partir de sus entradas externas;

Una función de activación ℱ𝑘, la cual determina el nuevo nivel de activación

basado en las entradas efectivas 𝑠𝑘(𝑡) y la activación actual 𝑦𝑘(𝑡);

Una entrada externa (aka, bias, offset) 𝜃𝑘 para cada unidad;

Un método para recopilar información (regla de aprendizaje).

3

Figura 1.2. Componentes básicos de una red neuronal artificial

(Krose y Smagt, 2007, p.15)

1.1.2.1 Unidades de procesamiento

Cada unidad de procesamiento recibe información de fuentes externas o unidades

vecinas la cual es usada para calcular una señal de salida que se propaga a otras

unidades, el sistema trabaja con varias unidades realizando cálculos en simultáneo.

Una segunda tarea es el procesamiento y ajuste de pesos (Krose y Smagt, 2007,

p.15).

Dentro de un sistema neural se distinguen tres tipos de unidades: unidades de

entrada las cuales reciben información desde el exterior de la red neural, unidades

de salida las cuales envían información fuera de la red neural, y las unidades

escondidas cuyas señales de entrada y salida se mantienen dentro de la red neural

(Krose y Smagt, 2007, p.15).

1.1.2.2 Conexiones entre unidades

Cada unidad proporciona una señal aditiva de entrada a la unidad adyacente

conectada. La entrada total descrita en la Ecuación 1.1 en la unidad 𝑘 es la suma

ponderada de salidas separadas de cada una de las unidades conectadas a ella

más una fuerza de conexión o peso 𝜃𝑘 (Krose y Smagt, 2007, p.16):

4

sk(t) = ∑ wjk(t) ∙ yj(t) + θk(t)j

[1.1]

El valor positivo del peso 𝑤𝑗𝑘 es considerado como una exitación y para valores

negativos del peso 𝑤𝑗𝑘 como inhibición. Se llama a las unidades con una regla de

programación definida, unidades sigma (Krose y Smagt, 2007, p.16).

1.1.2.3 Activación y reglas de salida

Es necesaria una regla que provea el efecto de la entrada total en la activación de

la unidad. La función ℱ𝑘, descrita en la Ecuación 1.2, que utiliza la entrada total

𝑠𝑘(𝑡) y el valor de activación actual 𝑦𝑘(𝑡) y produce un nuevo valor de activación en

la unidad 𝑘 (Krose y Smagt, 2007, p.16).

yk(t + 1) = ℱk(yk(t), sk(t)) [1.2]

Usualmente la función de activación es una función no decreciente de la entrada

total de la unidad, cuya expresión expandida se desarrolla en la Ecuación 1.3

(Krose y Smagt, 2007, p.17).

yk(t + 1) = ℱk(sk(t)) = ℱk(∑ wjk(t) ∙ yj(t) + θk(t)

j

) [1.3]

Las funciones de activación no están restringidas a funciones no decreciente. En

general, se utiliza una variedad de funciones de umbral cuyo comportamiento se

muestra en la Figura 1.3. Para la función de limitación suave, a menudo una función

sigmoidea (en forma de S), se emplea la Ecuación 1.4 (Krose y Smagt, 2007, p.17).

yk = ℱ(sk) =1

1 + e−sk [1.4]

5

En algunas aplicaciones se utiliza una tangente hiperbólica, que produce valores

de salida en el rango [-1,+1] (Krose y Smagt, 2007, p.17).

Figura 1.3. Funciones de activación para una unidad

(Krose y Smagt, 2007, p.17)

En algunos casos, la activación no se encuentra determinada por la entrada de la

neurona, sin embargo, la entrada de la neurona determina la probabilidad 𝑝 de que

la neurona obtenga un valor de activación alto en base a la Ecuación 1.5 (Krose y

Smagt, 2007, p.17).

𝑝(𝑦𝑘 ← 1) =1

1 + 𝑒−𝑠𝑘

𝑇

[1.5]

En donde la variable 𝑇, es un parámetro que determina la pendiente de la función

de probabilidad (Krose y Smagt, 2007, p.17).

1.1.3 ARQUITECTURA DE LA RED NEURAL

Una red neuronal puede crearse utilizando uno o varios conjuntos de neuronas

dependiendo de cómo estén organizados los nodos. Es posible que se necesiten

varias redes neuronales operando en paralelo como se muestra en la Figura 1.4

(Busch y Micheli-Tzanakou, 2009, p.45; Kim, 2017, p.22).

6

Figura 1.4. Red neural con estructura de capas de nodos

(Kim, 2017, p.22)

El grupo de nodos cuadrados en la Figura 1.4 recibe el nombre de capa de entrada.

Los nodos de la capa de entrada actúan como receptores que transmiten las

señales de entrada, provenientes de estímulos externos fuera de la red, a los

siguientes nodos. Estos nodos no calculan la suma ponderada ni la función de

activación, esta es la razón por la que se representan mediante cuadrados. En

contraste, el grupo de nodos circulares forman la capa de salida. La salida de estos

nodos se convierte en el resultado final de la red neuronal. Las capas entre las

capas de entrada y salida se denomina capas ocultas y reciben esta denominación

debido a que no son accesibles desde el exterior de la red neuronal (Haykin, 2008,

p.22; Kim, 2017, p.43).

Las primeras aproximaciones al diseño de redes neuronales eran de arquitectura

simple únicamente con capas de entrada y salida. La red neuronal multicapa consta

de una capa de entrada, capa(s) oculta(s) y capa de salida y reciben la

denominación de red neuronal profunda (Haykin, 2001, p.43).

La arquitectura de las redes neuronales se esquematiza en la Figura 1.5, las cuales

tienen como aspecto en común la presencia imprescindible de una capa de entrada,

responsable del ingreso de información, y una capa de salida necesaria, para la

respuesta del algoritmo clasificador, que tiene por objetivo evaluar dicha respuesta

dentro de su propia función y brindar una interpretación de la misma acorde a las

necesidades del problema. Las redes neuronales artificiales contemporáneas

utilizadas en aplicaciones prácticas propias del aprendizaje automático son redes

neuronales profundas, empleando el aprendizaje automático para su desarrollo

(Kim, 2017, p.22).

7

Figura 1.5. Clasificación de la red neuronal dependiendo de la arquitectura de capas. a)

Red neuronal de una sola capa b) Red neural multicapa (superficial) c) Red neuronal

profunda

(Kim, 2017, p.22)

La red neuronal se clasifica en dos tipos debido al trasfondo histórico en su

desarrollo. Las redes neuronales artificiales iniciaron como red neuronal de capa

única seguida por la red neuronal profunda. El uso extendido de la red neuronal

profunda comenzó hasta mediados de la década de los 2000, después de décadas

desde el desarrollo de redes neuronales superficiales (Kim, 2017, p.23). Durante

un largo período de tiempo, la red neuronal de capas múltiples significó solo la red

neuronal de capa oculta única (Andrej Krenker, Bester, y Kos, 2011, p.4).

La Tabla 1.1 resume la clasificación de las redes neuronales con base en la

arquitectura de la capa.

Tabla 1.1. Clasificación de las redes neuronales artificiales

Redes neuronales artificiales Arquitectura

Red neuronal de una sola capa Capa de entrada – Cada de salida

Red neuronal

multicapa

Red neuronal

superficial

Capa de entrada – Capa oculta – Capa de

salida

Red neuronal

profunda

Capa de entrada – Capas ocultas – Capa

de salida

Fuente: Andrej Krenker et al., 2011, p.5

8

1.1.4 APRENDIZAJE Y ESQUEMAS

El factor que determina qué tipo de problemas será capaz de resolver una red

neuronal artificial es el esquema de aprendizaje. Las redes neuronales artificiales

basan su sistema de aprendizaje en ejemplos. La capacidad de la red para resolver

un problema estará ligada fundamentalmente al conjunto de ejemplos que dispone

durante el proceso de aprendizaje. Enfocado en el proceso de aprendizaje, el

conjunto de datos de entrada debe poseer las siguientes características (Viñuela y

Galván León, 2009, p.10):

Ser significativo. El número de ejemplos debe ser suficiente. Si se trabaja

con un conjunto de aprendizaje reducido, la red no podrá adaptar sus pesos

de forma eficaz.

Ser representativo. Debe existir diversidad dentro de los componentes del

conjunto de aprendizaje. Si existe una mayor cantidad de ejemplos de un

tipo que del resto, la red se especializará en dicho subconjunto de datos y

su aplicación no será general.

El aprendizaje de una red neuronal artificial se basa en la determinación de valores

concisos para todas sus conexiones, que la acondicione para la resolución eficiente

del problema (Busch y Micheli-Tzanakou, 2009, p.124). De forma general el

aprendizaje se fundamenta en la introducción paulatina de todos los ejemplos del

conjunto de aprendizaje, y el modificar los pesos de las conexiones siguiendo un

determinado esquema de aprendizaje. Es posible modificar los pesos durante la

introducción de cada ejemplo, o tras introducir todos ellos (Viñuela y Galván León,

2009, p.11).

El tipo de red neuronal utilizada o el tipo de problema a resolver determina el criterio

de convergencia a emplearse. Para determinar la finalización del periodo de

aprendizaje se pueden utilizar los siguientes criterios (Viñuela y Galván León, 2009,

p.11):

9

Mediante un número fijo de ciclos. Se decide con antelación cuántas

veces será ingresado todo el conjunto de aprendizaje, tras superar dicho

número se detiene el proceso y se da por válida la red resultante.

Cuando el error desciende por debajo de una cantidad preestablecida.

Para este caso se define en primer lugar una función de error, pudiendo

ser a nivel de patrón individual, o a nivel de la totalidad del conjunto de

entrenamiento. Se estipula un valor aceptable para dicho error, y el

proceso es detenido únicamente cuando la red produzca un valor menor

al error prefijado.

Cuando las modificaciones de los pesos sean irrelevantes. Si el proceso

de aprendizaje continúa, llegará un momento en que no se registren

variaciones significativas de los valores de los pesos de ninguna

conexión; en ese momento se dice que la red ha convergido y el proceso

de aprendizaje es interrumpido.

1.1.4.1 Esquema de aprendizaje supervisado

Este tipo de esquema los datos del conjunto de aprendizaje tienen dos tipos de

atributos: los datos de entrada e información asociada a la resolución del problema.

Por ejemplo, si se trata de elaborar un clasificador para un conjunto de datos, en

un sistema capaz de definir entre imágenes de superficies metálicas con cierto

grado de corrosión, los ejemplos contendrán datos de la superficie, una imagen de

la superficie, e información de la solución, de qué superficie se trata (una etiqueta

que la distinga). El esquema de aprendizaje supervisado empleará esta información

para modificar las conexiones internas de la red neuronal artificial (Haykin, 2008,

p.85).

La manera usual de modificar los valores del peso de las conexiones es la

representada en la Figura 1.6. En cada ocasión que un ejemplo es ingresado a la

red neuronal y procesado para obtener una salida, dicha salida se contrasta con la

10

salida que debería generar. La diferencia entre la salida generada y la salida real

influirá en cómo se han de modificar los pesos. La modificación en los pesos es

directamente proporcional a la diferencia entre amas señales de salida (Kim, 2017,

p.28; Viñuela y Galván León, 2009, p.12).

Figura 1.6. Concepto de aprendizaje supervisado

(Kim, 2017, p.28)

En este tipo de aprendizaje cuenta con un supervisor o profesor externo cuya

función es determinar si el comportamiento de la red neuronal es el adecuado,

mediante la comparación entre la salida producida y la esperada, y de realizar las

modificaciones pertinentes a los valores de los pesos (Haykin, 2008, p.85).

1.1.4.2 Aprendizaje por refuerzo/programación neurodinámica

El aprendizaje por refuerzo realiza un mapeo de entrada y salida de las señales

usando la interacción continua con el entorno para maximizar el índice escalar de

rendimiento. La Figura 1.7 presenta el diagrama de bloques de un sistema de

aprendizaje por refuerzo construido alrededor de un proceso de (Haykin, 2008,

p.86).

11

Figura 1.7. Diagrama de bloques de aprendizaje por refuerzo

(Haykin, 2008, p.86)

El sistema está diseñado para aprender del refuerzo, lo que implica que el sistema

evalúa una secuencia temporal de estímulos también recibidos del entorno, lo que

eventualmente resulta en la generación de la señal de refuerzo heurístico. El

objetivo del aprendizaje es reducir los recursos utilizados por la función

clasificadora disminuyendo la expectativa de la demanda acumulada de recursos

por las acciones tomadas en la secuencia de pasos realizada por la red neuronal

en lugar de simplemente la demanda inmediata de recursos (Haykin, 2008, p.87).

Existe una mayor complejidad en la realización del aprendizaje por refuerzo por dos

razones básicas (Haykin, 2008, p.87):

No existe un maestro o supervisor que proporcione la respuesta esperada

en cada paso del proceso de aprendizaje.

La demora en la generación de la señal de refuerzo primaria implica que el

sistema de aprendizaje debe resolver un problema temporal dentro de su

estructura sujeto al proceso de revisión, una vez consolidadas las señales

de refuerzo es posible generar la señal de salida.

El aprendizaje por refuerzo desarrolla la capacidad de aprender a realizar una tarea

prescrita únicamente sobre la base de los resultados de la experiencia de productos

de la interacción (Haykin, 2008, p.87).

12

1.1.4.3 Aprendizaje no supervisado

En el aprendizaje no supervisado se busca determinar cómo se organizan los datos.

Se diferencia del aprendizaje supervisado y del aprendizaje por refuerzo en que la

red neuronal artificial utiliza ejemplos sin clasificar (Andrej Krenker et al., 2011,

p.14).

En este esquema de aprendizaje los datos del entorno o conjunto de aprendizaje

sólo disponen de la información de los ejemplos y no existe nada que pueda guiar

al proceso durante el aprendizaje el cual se describe con base en el diagrama de

flujo de la Figura 1.8 (Viñuela y Galván León, 2009, p.12).

Figura 1.8. Diagrama de bloques de aprendizaje no supervisado

(Haykin, 2008, p.87)

El aprendizaje no supervisado se usa principalmente en aplicaciones que caen

dentro del ámbito de los problemas de estimación, como el modelado estadístico,

la comprensión, el filtrado, la separación de fuentes ciegas y la agrupación (Andrej

Krenker et al., 2011, p.14).

1.1.5 APRENDIZAJE AUTOMÁTICO

El aprendizaje automático mejor conocido como Machine Learning induce a la

máquina a un proceso de aprendizaje cada vez que cambia su estructura, programa

o datos en función de sus entradas como respuesta a información externa con el

13

objetivo de mejorar su rendimiento futuro esperado (Smola y Vishwanathan, 2009,

p.3).

Este tipo de aprendizaje generalmente se refiere a los cambios en los sistemas que

realizan tareas asociadas con la inteligencia artificial. Estas tareas abarcan

reconocimiento, diagnóstico, planificación, control de robots, predicción entre otros.

Los cambios pueden ser mejoras a sistemas ya operativos o síntesis de nuevos

sistemas (Nilsson, 2005, p.1).

El aprendizaje automático utiliza una amplia gama de algoritmos que aprenden

iterativamente de los datos para mejorar, describir datos y predecir resultados. A

medida que los algoritmos reciben datos de entrenamiento, es posible producir

modelos más precisos basados en esos datos (Hurwitz, Kirsch, y Wiley, 2018, p.4).

De manera más específica se muestra en la Figura 1.9 la arquitectura de un

algoritmo de inteligencia artificial. Este algoritmo percibe, modela su entorno y

calcula las acciones apropiadas intentando anticipar sus efectos. Los cambios

realizados en cualquier etapa que se muestra en la Figura 1.9 puede ser definido

como aprendizaje (Nilsson, 2005, p.2).

Figura 1.9. Sistema de aprendizaje automático utilizando inteligencia artificial

(Gollapudi, 2016, p.6)

Un algoritmo predictivo creará un modelo predictivo. Posteriormente, cuando se

proporcione datos al modelo predictivo, se recibirá una predicción basada en los

datos que capacitaron al modelo (Hurwitz et al., 2018, p.4).

14

1.1.5.1 Tarea

Es el problema que el algoritmo de aprendizaje automático está diseñado para

resolver. El grado en que la tarea es ejecutada satisfactoriamente se denomina

rendimiento, que se interpreta como el alcance o la confianza con la que se resuelve

el problema (Gollapudi, 2016, p.9).

1.1.5.2 Algoritmo

Los algoritmos se agrupan por subcampos de aprendizaje como: supervisado, no

supervisado, de refuerzo, semi-supervisado o profundo; o las categorías de

problemas como: clasificación, regresión, agrupación u optimización. Los

algoritmos se aplican de forma iterativa en diferentes conjuntos de datos y se

generan modelos de salida que evolucionan con nuevos datos (Gollapudi, 2016,

p.9).

1.1.5.3 Modelos

Son la implementación del aprendizaje automático. El modelo describe la

información que se observa en el sistema, son la salida de algoritmos aplicados a

un conjunto de datos. De forma general los modelos se clasifican de la siguiente

manera (Gollapudi, 2016, pp.10,11.; Smola y Vishwanathan, 2009, pp.27-32):

Modelos lógicos: la naturaleza de estos modelos es algorítmica y son

empleados para generar un conjunto de reglas ejecutando los algoritmos de

forma iterativa. El literal a de la Figura 1.10 presenta un árbol de decisión

como ejemplo de modelo lógico.

Modelos geométricos: utilizan conceptos geométricos como distancias,

líneas y planos. Estos modelos generalmente operan, o pueden operar en

15

grandes volúmenes de datos. En general, las transformaciones lineales

facilitan la comparación de diferentes métodos de aprendizaje automático.

El literal b de la Figura 1.10 presenta una aproximación a un modelo

geométrico.

Modelo probabilístico: son modelos estadísticos que emplean análisis

estadístico, se basan en una estrategia para definir la relación entre dos

variables. Dicha relación puede derivarse con certeza ya que implica el uso

de un proceso de fondo aleatorio. El literal c de la Figura 1.10 presenta una

aproximación de un modelo probabilístico.

Figura 1.10. Modelo de aprendizaje automático a) Modelo lógico b) Modelo geométrico c)

Modelo probabilístico

(Gollapudi, 2016, pp.10,11.; Smola y Vishwanathan, 2009, pp.27-32)

1.1.5.4 Datos e inconsistencias en el aprendizaje automático

Se detalla todas las posibles inconsistencias de datos que se pueden encontrar al

implementar proyectos de aprendizaje automático (Gollapudi, 2016, pp.12,13):

16

Ajuste insuficiente: se dice que un modelo no está ajustado cuando no tiene

en cuenta suficiente información para modelar con precisión los datos reales.

Sobreajuste: caso de naturaleza contraria al descrito anteriormente. Un

conjunto de datos grande puede implicar que el modelo se ajuste demasiado

a los datos.

Inestabilidad de datos: los algoritmos de aprendizaje automático suelen ser

sensibles a las desviaciones o ausencia de datos. Esto generará como

resultado un sesgo de los datos, que creará un modelo incorrecto.

Formatos de datos impredecibles: los inconvenientes inician cuando los

nuevos datos que ingresan al sistema tienen formatos incompatibles con el

sistema de aprendizaje automático.

La Figura 1.11 presenta una relación entre el error generado por el modelo y su

complejidad, la cantidad y calidad de datos utilizados y la flexibilidad de los

algoritmos generados.

Figura 1.11. Aprendizaje automático

(Gollapudi, 2016, p.13)

17

1.2 TIPOS DE CORROSIÓN INTERNA EN TUBERÍAS DE

PETRÓLEO

1.2.1 CORROSIÓN EN LA INDUSTRIA PETROLERA

La corrosión es una reacción química destructiva de un material frente al entorno

que está asociada y reconocida como un peligro potencial a las instalaciones de

producción y transporte de petróleo y gas. Los oleoductos y gaseoductos pueden

estar ubicados en tierra, pantanos o alta mar (Unueroh, Omonria, Efosa, y

Awotunde, 2016).

El proceso de corrosión se compone de tres elementos: un ánodo, un cátodo y un

electrolito. El ánodo es la superficie de metal que permite la transferencia de

electrones del ánodo al cátodo, siendo el cátodo el conductor eléctrico en la celda

que no es consumida durante el proceso de corrosión y que es ilustrado en la Figura

1.12 (Popoola et al., 2013, p.1). La corrosión afecta a equipos y construcciones

metálicas en petróleo, gas y plantas de refinería elementos como los aceites

crudos, gas natural, productos derivados de petróleo y combustibles, solventes,

agua, atmósfera y suelo, cuyos procesos involucran sustancias agresivas ocurren

en equipos metálicos a un rango de temperaturas de -196 a 1 400 ºC y presiones

de vacío de hasta 100 bar (Groysman, 2017).

Figura 1.12. Esquema de celda de corrosión

(Mackay, Jackson, Melot, Scheie, y Vittonato, 2015, p.37)

18

La estabilidad de los metales también está relacionada con la corrosión, tal es el

caso de la corrosión galvánica que es un fenómeno electroquímico relacionado con

el desplazamiento de los electrones a través de áreas con potenciales

electroquímicos diferentes. Durante este fenómeno se forman óxidos metálicos

conforme los electrones fluyen del ánodo al cátodo a través del electrolito que es el

fluido que los pone en contacto (Mackay et al., 2015, p.38).

La corrosión en refinerías usualmente se presenta en corrosión a baja temperatura

y corrosión a alta temperatura, tomándola a manera de una clasificación general y

no estricta. El punto de separación se da alrededor de 260 ºC, debido a que el acero

al carbón común utilizado en los equipos tiene un extendido uso para el manejo de

crudos y naftas a dicha temperatura (Prabha et al., 2014, p.302).

La corrosión por curdos agrios aumenta con mayor rapidez a temperaturas mayores

a 427 ºC y al incrementar el contenido de azufre (Prabha et al., 2014, p.302). Para

aumentar la resistencia en medios con presencia de azufre se utiliza el cromo (Cr)

como elemento de aleación en el acero que es usado como material para la

construcción de las tuberías y equipos necesarios para la extracción de crudo

(Prabha et al., 2014, p.302).

1.2.2 TIPOS DE CORROSIÓN Y AGENTES ASOCIADOS EN LA INDUSTRIA

DEL PETRÓLEO Y GAS

En la industria de petróleo y gas existen varias clases de corrosión, dentro de ellas

las más comunes son la exposición al ácido sulfhídrico (H2S) conocida como

corrosión ácida, la exposición al dióxido de carbono (CO2) conocida como corrosión

dulce, y la corrosión atribuida a actividad microbiana, denominada como corrosión

influenciada microbiológicamente o corrosión microbiológica (MIC) (Vázques, 2018,

p.29).

Los materiales ferrosos pueden reaccionar con el dióxido de carbono (CO2)

formando carbonatos ferrosos (FeCO3), o con el ácido sulfhídrico (H2S) formando

19

sulfuros de hierro (FeXSX). Tanto la corrosión ácida como dulce pueden ocurrir en

ausencia de oxígeno (O2) generando gas hidrógeno (H2) (Silvia y Fundora, 2014,

p.18).

1.2.2.1 Reacción anódica

La reacción anódica para el hierro y el acero se describe con la Ecuación 1.6

(Mackay et al., 2016, p.38):

𝐹𝑒 → 𝐹𝑒+2 + 2𝑒− [1.6]

Después de que los átomos metálicos en el sitio anódico ceden electrones, pueden

ocurrir cuatro reacciones catódicas como se presenta en la Ecuación 1.7 a la

Ecuación 1.10:

Reducción de oxígeno en solución ácida

𝑂2 + 4𝐻+ + 4𝑒− → 2𝐻2𝑂 [1.7]

Reducción de oxígeno en solución neutra o básica

12⁄ 𝑂2 + 𝐻2𝑂 + 2𝑒− → 2𝑂𝐻− [1.8]

Generación de hidrógeno desde una solución ácida

2𝐻+ + 2 𝑒− → 𝐻2 [1.9]

Generación de hidrógeno desde medio acuoso neutro

2𝐻2𝑂 + 2 𝑒− → 𝐻2 + 2𝑂𝐻− [1.10]

En la industria del petróleo y gas se hallan usualmente presentes el dióxido de

carbono (CO2) y sulfuro de hidrógeno (H2S) en un medio acuoso y favoreciendo la

20

corrosión. Las siguientes reacciones son representadas en la Ecuación 1.11 y

Ecuación 1.12 (Mackay et al., 2016, p.39):

𝐹𝑒 + 𝐶𝑂2 → 𝐹𝑒2𝑂3 + 𝐶𝑂 [1.11]

2𝐹𝑒 + 3𝐻2𝑆 → 𝐹𝑒2𝑆3 + 3𝐻2 [1.12]

Ambas reacciones pueden ocurrir en simultáneo si ambos gases se encuentran

presentes.

1.2.2.2 Corrosión dulce (corrosión por dióxido de carbono (CO2)

El dióxido de carbono seco no tiene gran potencial corrosivo a temperaturas

ambiente en los sistemas de producción de petróleo y gas, sin embargo, lo es

cuando éste se disuelve en una fase acuosa mediante la cual se facilita una

reacción electroquímica entre la superficie metálica y la fase acuosa en contacto

(Popoola et al., 2013). Se han postulado varios mecanismos para el proceso de

corrosión por dióxido de carbono los cuales involucran ácido carbónico o el ion

bicarbonato formado por la disolución de dióxido de carbono en agua. El daño por

corrosión dulce aparece principalmente como ataque por picadura y ataque

focalizado propio de condiciones de flujo medio cuyo mecanismo se explica desde

la Ecuación 1.13 a la Ecuación 1.16 (Papavinasam, Doiron, Li, Park, y Liu, 2002,

p.114):

𝐻2𝐶𝑂3 → 𝐻+ + 𝐻𝐶𝑂3− [1.13]

2𝐻+ → 𝐻2 [1.14]

Con el hierro como reactivo

𝐹𝑒 → 𝐹𝑒+2 + 2𝑒− [1.15]

En conjunto

21

𝐶𝑂2 + 𝐻2𝑂 + 𝐹𝑒 → 𝐹𝑒𝐶𝑂3 + 𝐻2 ↑ [1.16]

1.2.2.3 Corrosión agria (corrosión por ácido sulfhídrico (H2S)

La corrosión agria sobre elementos metálicos es producida por la presencia de

ácido sulfhídrico (H2S) con humedad, cuyo daño se concentra en tuberías de

perforación. El ácido sulfhídrico cuando es disuelto en agua se vuelve un ácido débil

capaz de producir iones de hidrógeno lo que aumenta su potencial corrosivo. Las

formas de corrosión agria son uniformes, picaduras y grietas escalonadas. La

ecuación general de corrosión agria es descrita en la Ecuación 1.15 (Papavinasam

et al., 2002, p.115):

𝐻2𝑆 + 𝐹𝑒 + 𝐻2𝑂 → 𝐹𝑒𝑆𝑥 + 2𝐻 + 𝐻2𝑂 [1.17]

Otro mecanismo probable de disolución del hierro en soluciones acuosas de

película delgada que contienen ácido sulfhídrico es presentado en la Figura 1.13

(Sun, 2006, p.90).

22

Figura 1.13. Caminos del mecanismo de corrosión por H2S. Después de la absorción

inicial de H2S en la superficie del hierro, una capa delgada de FeS amorfo puede formarse

tanto por el camino 1 como el camino 2

(Sun, 2006, p.90)

1.2.2.3 Corrosión por oxígeno

El oxígeno disuelto en los fluidos de perforación es la causa de la corrosión en las

tuberías de perforación. El ingreso de oxígeno dentro de los fluidos de pozo es

consecuencia de fugas en el sellado de la bomba, carcasa, ventanillas de proceso

y demás equipos afines en contacto con oxígeno (Prabha et al., 2014, p.304). El

oxígeno provoca la destrucción anódica del metal, la que es favorecida por las altas

velocidades de los fluidos de perforación sobre las superficies de equipos de

perforación continua suministrando oxígeno al metal con potencial destructivo a

concentraciones tan bajas como 5 ppb (Popoola et al., 2013, p.4). Las formas de

corrosión asociadas a este fenómeno son principalmente corrosión por picaduras y

corrosión uniforme (Popoola et al., 2013, p.4).

23

1.2.2.4 Corrosión galvánica

Esta reacción ocurre cuando dos materiales metálicos con potencial electroquímico

diferente entran en contacto y se hallan expuestos a un medio electrolítico. El metal

de menor potencial se convierte en el ánodo que pierde iones metálicos para

equilibrar el flujo de electrones cuyo esquema es presentado en la Figura 1.14, este

reacción genera deterioro intergranular, aumentando el daño cuando la proporción

del área de cátodo a ánodo es grande (Thacker et al., 2010, p.1162).

Figura 1.14. Mecanismo de corrosión galvánica

(Thacker et al., 2010, p.1162)

1.2.2.5 Corrosión en grietas

Este tipo de corrosión se localiza en espacios estrechos o grietas del metal en cuyo

espacio el fluido se estanca y cuyo ejemplo puede observarse en la Figura 1.15. El

daño es causado por diferencias de concentración de sustancias corrosivas sobre

una superficie metálica, o diferencias de potencial electroquímico capaces de

provocar grietas focalizadas o picaduras. La presencia de oxígeno promueve el

ataque de grietas y picaduras de metal en las áreas protegidas de la sarta de

perforación y es causa frecuente de la destrucción debajo de protectores de tubería

de goma (Hassani et al, 2011, p.11).

24

Figura 1.15. Corrosión en grietas

(Hassani et al., 2011, p.11)

1.2.2.6 Corrosión por erosión

Este mecanismo aumenta la velocidad de reacción de la corrosión al desgastar

paulatinamente la capa pasiva de productos de corrosión de la superficie metálica

presentado en la Figura 1.16. Está corrosión se experimenta cuando hay un

régimen de flujo de alta turbulencia aumentando significativamente la tasa de

corrosión. Este tipo de corrosión es usualmente ignorada o se atribuye sus efectos

al desgaste (Popoola et al., 2013, p.6).

Figura 1.16. Corrosión por erosión en tubería

(Popoola et al., 2013, p.6)

1.2.2.7 Corrosión inducida microbiológicamente (CIM)

Este tipo de corrosión es causada por actividad bacteriana. Las bacterias producen

productos de desecho como H2S, CO2 y ácidos orgánicos capaces de corroer la

tubería. La formación de las colonias es estimulada por agua neutra especialmente

al estar estancada. La corrosión inducida microbiológicamente (CIM) es reconocible

por la aparición de un material de desecho negro y viscoso o por nódulos en la

superficie de la tubería, así como la presencia de picadura en la pared de la tubería

25

debajo de estos depósitos, tal como se ilustra en la Figura 1.17 (Naili. K., 2010,

p.12).

Figura 1.17. Corrosión inducida microbiológicamente (CIM)

(Naili. K., 2010, p.12)

1.2.2.8 Corrosión bajo tensión (CBT)

La corrosión bajo tensión es el agrietamiento inducido por la influencia de un medio

corrosivo y el esfuerzo de tracción cuyos efectos sobre el material. Este tipo de

corrosión es un deterioro localizado que producen grietas en los metales

propagándose a un rango de velocidades desde 10-3 a 10 mm/h. El alto pH del

entorno es un indicativo de la posible presencia de este tipo de corrosión (Sun et

al., 2017, p.147).

1.3 TENDENCIA INCRUSTANTE EN TUBERÍAS DE PETRÓLEO

1.3.1 NATURALEZA DE LA INCRUSTACIÓN

La sobresaturación es la responsable de la incrustación mineral, la cual provoca la

formación de sales poco solubles en la solución a granel o en una superficie en

contacto con el fluido (Zerpa, 2013, p.10). La sobresaturación se puede entender

como la condición en que la solución contiene más iones de las que el disolvente

26

puede mantener en un estado disuelto, ocasionando que estos iones al combinarse

o en solitario precipiten y formen depósitos (Neville, 2012, p.4158).

La cristalización de los iones inorgánicos que se encuentran dentro del crudo y que

se enlistan en la Tabla 1.2 requiere la nucleación de un cristal seguido de su

posterior crecimiento (Guo et al., 2014, p.174).

Tabla 1.2. Iones presentes en el petróleo, gas y agua

Iones cargados negativamente Iones cargados positivamente

Cloruro Cl- Sodio Na+

Sulfuro S-2 Potasio K+

Sulfato SO4-2 Calcio Ca+2

Bromuro Br- Magnesio Mg+2

Bicarbonato HCO3- Estroncio Sr+2

Carbonato CO3-2 Bario Ba+2

Hierro Fe+2 y Fe+3

Aluminio Al+3

Fuente: Guo et al., 2014, p.174

Diferentes sustancias pueden formarse de la combinación de cationes y aniones.

La solubilidad de cada ion está relacionada con las variaciones de la presión y

temperatura, los iones en exceso precipitan de la fase líquida y forman sólidos como

depositos o incrustaciones. Por ejemplo, el calcio y el carbonato formarían

depositos de carbonato de calcio cuya reacción se presenta en la Ecuación 1.18

(Guo et al., 2014, p.174).

𝐶𝑎+2 + 𝐶𝑂3−2 → 𝐶𝑎𝐶𝑂3 ↓ [1.18]

Los sulfatos y los iones de bario pueden formar depósitos de sulfato de bario acorde

a la reacción descrita en la Ecuación 1.19.

𝐵𝑎+2 + 𝑆𝑂4−2 → 𝐵𝑎𝑆𝑂4 ↓ [1.19]

27

La nucleación homogénea describe la formación del cristal a partir de los arreglos

de átomos y moléculas en la solución a granel para formar un tamaño de racimo

crítico, que se convierte en el núcleo estable del cristal (Neville, 2012, p.4158).

La nucleación heterogénea consiste en la formación de un núcleo en una superficie

sólida existente, generalmente la superficie es un objeto extraño dentro del fluido o

una superficie que tenga interfaz con el fluido. La formación de núcleos en

partículas existentes de la misma especie se denomina nucleación secundaria. Los

principales mecanismos de nucleación se muestran en la Figura 1.18.

Figura 1.18. Nucleación a) homogénea b) heterogénea

(Neville, 2012, p.4160)

1.3.2 INCRUSTACIÓN EN LA INDUSTRIA PETROLERA

Durante diez años, el enfoque en el estudio de las superficies y la deposición

mineral sobre ellas ha cobrado relevancia en el sector del petróleo y gas. El manejo

del problema de incrustación es decisivo y se buscan soluciones que permitan

predecir la severidad del problema antes de que ocurra y de esta manera

implementar medidas correctivas (Neville, 2012, p.4158).

En casos que involucran recipientes separadores, tuberías e intercambiadores de

calor, la deposición de incrustaciones en la superficie incide en la eficiencia de los

28

equipos y operaciones, aunque la seguridad del proceso no se ve comprometida

en la mayoría de los casos, es necesario considerar que el lidiar con la incrustación

a partir de experiencias anteriores y sus soluciones recopiladas como estudios

externos no siempre es apropiado (Lyons, 2005, p.1314).

El petróleo y gas se genera a partir de yacimientos de dolomita (MgCO3∙CaCO3) y

piedra caliza (CaCO3), a partir de estados relativamente puros o en forma de arenas

silíceas (SiO2) o carbonatos cementadas en presencia de material calcáreo o

dolomita (Guo, Song, Ghalambor, y Tian Ran, 2014, p.87; Sandrine, Laurent, y

Vuataz, 2007,P.46).

En la exploración y explotación de petróleo y gas que contienen agua, usualmente

la deposición de minerales es un problema que afecta severamente la producción

en los pozos (Kan y Tomson, 2012, p.362). La variación de las condiciones de

producción, como las reacciones químicas en la solución de electrolitos y el cambio

de fase entre petróleo, gas y agua facilitan la formación de cristales minerales en el

fluido. Las condiciones de incrustación de las sales inorgánicas no dependen

únicamente del cambio de presión y temperatura, sino también de la precipitación,

disolución y evaporación de los componentes del petróleo y gas que afectarán

sensiblemente la tendencia de incrustación de las sales inorgánicas (Zheng y Pu,

2019,P.1).

En pozos maduros, donde la presión es insuficiente para elevar el petróleo,

espontáneamente se debe inyectar agua para incrementar la presión, al existir

depósitos dentro la tubería la presión es aún mayor y por ende la producción de

petróleo disminuye, donde una incrustación severa es capaz de estrangular una

tunería de producción en un lapso de 24 horas (Vallejo, 2011,P.15). En

consecuencia, con el fin de prevenir daños catastróficos y una parada total en

tuberías de producción es de suma importancia implementar herramientas que

brinden información sobre la tendencia de un pozo a la formación de depósitos

minerales.

El método actual de predicción de incrustación incluye el método de índice de

saturación, el método de solubilidad termodinámica, el método de predicción de

29

escala del compuesto de sulfato y el método de coeficiente de saturación, los cuales

se basan en el principio de equilibrio químico de la solución y que consideran

únicamente el cambio de la solubilidad del gas ácido con una reacción química e

ignoran el efecto integral del cambio de fase en la interface del fluido (Zheng y Pu,

2019, p.1).

30

PARTE EXPERIMENTAL

El proyecto tiene por finalidad el generar una red neuronal artificial asistida por un

algoritmo clasificador basado en un árbol de decisión, que permita realizar una

predicción de la tendencia incrustante de fondo y la tendencia corrosiva de cabeza

de tuberías de extracción de petróleo y gas pertenecientes a la región Amazónica

Ecuatoriana.

El primer paso fue la recolección de información de las propiedades fisicoquímicas

del petróleo y gas, además de condiciones de operación de los pozos de extracción

de petróleo y gas, a través de una línea de tiempo cuyo inicio se localiza en el año

2012 y que toma como información 18 datos entre análisis y condiciones de

operación, información que fue proporcionada por empresas de servicios

petroleros.

Los análisis fisicoquímicos del petróleo y gas fueron realizados utilizando procesos

estandarizados de acuerdo con normas HACH y ASTM.

El segundo paso fue utilizar la información recolectada para generar una base de

datos dentro de una hoja electrónica de Microsoft Excel apta para ser ingresada

dentro del programa utilizado para generar la red neuronal artificial, recurriendo a

la plataforma de Matlab y una librería especializada en la creación y desarrollo de

redes neuronales artificiales. En el programa se hace una división entre la

información de análisis y condiciones de operación, siendo catalogadas como

predictores, y la información de la tendencia incrustante de fondo y la tendencia

corrosiva de cabeza considerándolas como la respuesta.

Posteriormente dentro de la plataforma de Matlab se realizó una clasificación entre

información cualitativa y cuantitativa tanto de los predictores y de las respuestas

para seleccionar el algoritmo clasificador idóneo. Al estar presente la información

cualitativa dentro de los predictores y siendo ambas respuestas de la misma

naturaleza, y al encontrarse información no registrada dentro de la base de datos

se procedió a seleccionar como algoritmo clasificador el árbol de decisión siendo el

31

más apto para discernir entre ambos tipos de información y compensar faltas de

información.

Una vez realizado el análisis de la información de la base de datos y seleccionado

el algoritmo clasificador se procedió a generar el código para la generación de la

red neuronal artificial. El código fue desarrollado bajo el esquema del modelo de

árbol de decisión neural (ADN) (Lee y Yen, 2002, p.116), generando por separado

un modelo para la predicción de la tendencia incrustante de fondo y un modelo para

la predicción de la tendencia corrosiva de cabeza, utilizando el 85 % de la base de

datos para el aprendizaje supervisado de la red y el restante 15 % para la prueba

de desempeño.

Finalmente, se evaluó el desempeño del árbol de decisión neural contrastándolo

con el programa de predicción de tendencia incrustante y corrosiva

ScaleSoftPitzerTM, para lo cual se utilizó 40 entradas del conjunto de datos de

prueba. La información se utilizó para generar predicciones tanto en el modelo

como en el programa dedicado, las predicciones fueron comparadas con la

información de tendencia real obteniendo una tasa de acierto para ambos métodos

de predicción.

2.1 CARACTERIZAR FÍSICA Y QUÍMICAMENTE EL CRUDO DE

CUATRO POZOS PRODUCTORES CON LA FINALIDAD DE

CREAR UNA BASE DE DATOS

El primer conjunto de información recibida fue proporcionado por una empresa de

servicios petroleros, provenientes de las análisis fisicoquímicos y mediciones de las

condiciones de operación de los pozos de producción ubicados en la municipalidad

de Shushufindi en la provincia de Sucumbíos, proveniente del bloque 57, de las

estaciones Aguarico, Shushufindi central, Drago, Shushufindi Suroeste y

Shushufindi Sur.

32

El segundo conjunto de información provino del bloque petrolero 21, localizado en

el cantón Tena, en la provincia Napo.

Las versiones integras de la información recolectada pueden ser consultadas en el

Anexo I. La Tabla 2.1 presenta la normativa utilizada para los análisis fisicoquímicos

realizados sobre el petróleo y gas.

Tabla 2.1. Ensayo realizado y procedimiento respectivo para cada análisis aplicable

Ensayo Procedimiento aplicado

Dureza cálcica HACH 82041

Dureza total HACH 82132

Alcalinidad HACH 82033

Concentración de cloruros HACH 82074

Concentración de sulfatos HACH 80515

Concentración de hierro HACH 80086

Dióxido de carbono en agua HACH 82057

Gases disueltos en crudo ASTM D25058

Concentración de azufre ASTM D26229

pH ASTM 1293-1210

1(Hach, 2015c) 2(Hach, 2015d) 3(Hach, 2018a) 4(Hach, 2015b) 5(Hach, 2018b) 6(Hach, 2014) 7(Hach, 2015a) 8(ASTM-D2505, 2015) 9(ASTM-D2622, 2016) 10(ASTM-D1293, 2018)

2.2 GENERACIÓN DE LA BASE DE DATOS

Se redactó y transcribió la información de los diferentes ensayos realizados

prescindiendo de ensayos con una ausencia de información superior al 70 % dentro

de los registros originales proporcionados, sobre las condiciones de operación de

33

pozos petroleros y análisis fisicoquímicos del petróleo y gas transportado,

depositando la información en una hoja electrónica de Microsoft Excel, abarcando

un total de 24 predictores y 2 respuestas, siendo éstas la tendencia corrosiva de

cabeza y la tendencia incrustante de fondo, de un total de 460 ensayos.

La base de datos preparada para su exportación a la plataforma de Matlab puede

ser consultada en el Anexo II.

2.2.1 BASE DE DATOS DEDICADA A LA TENDENCIA INCRUSTANTE DE

FONDO

A partir de la base de datos original, se creó una base de datos dedicada con los

valores de los 19 predictores restantes y la respuesta perteneciente a la tendencia

incrustante de fondo, la cual contiene los 460 ensayos.

2.2.2 BASE DE DATOS DEDICADA A LA TENDENCIA CORROSIVA DE

CABEZA

A partir de los 460 ensayos presentes en la base de datos original se extrajeron los

últimos 37 ensayos, los cuales no aportaban una respuesta a la tendencia corrosiva

de cabeza. La base de datos interna generada constó de 423 ensayos manteniendo

19 predictores y una respuesta.

34

2.3 DESARROLLAR Y EVALUAR UN MODELO

COMPUTACIONAL CON BASE EN EL COMPORTAMIENTO DE

CADA POZO DE ESTUDIO CON RESPECTO A LA VELOCIDAD

DE CORROSIÓN Y LA TENDENCIA INCRUSTANTE

Para el desarrollo del modelo computacional y la realización de la selección del

algoritmo clasificador, se enfocó el estudio hacia el campo del aprendizaje

supervisado debido a que se tenía a disposición la información del fenómeno sobre

el cual se quería realizar la predicción y un conjunto de predictores asociados al

mismo. Al analizar los predictores y las respuestas se encontró la presencia de

valores de origen tanto cuantitativo como cualitativo y ausencia de información en

uno o más campos de diversos ensayos.

2.4 DESARROLLO Y AJUSTE DEL ÁRBOL DE DECISIÓN

NEURAL (MADN)

Tras estructurar la base de datos y seleccionar el algoritmo clasificador se procedió

a desarrollar el modelo de red neuronal utilizando el esquema de resolución

presentado en la Figura 2.1 en donde se presentan las acciones tomadas durante

la parte experimental.

35

Figura 2.1. Esquema de desarrollo de modelo de árbol de decisión neural (MADN)

Se utilizó la caja de herramientas de Matlab para el desarrollo de redes neurales

artificiales para realizar una partición sobre la base de datos dedicada a la

tendencia incrustante, separando el 85 % de la misma para el proceso de

aprendizaje de la red neural, considerando este conjunto como datos de

entrenamiento, y el restante 15 % como información utilizada en la fase evaluación

donde se evaluó la calidad de la predicción de cada uno de los modelos de árbol

de decisión neural al ser comparados con la respuesta real. La caja de herramientas

garantiza la aleatoriedad en la selección de datos con el fin de evitar la

concentración de datos de valores similares en uno solo de los conjuntos (Beale,

Hagan, y Demuth, 2010, p.129).

36

2.4.1 TENDENCIA INCRUSTANTE DE FONDO

El ajuste del modelo comenzó con la optimización de parámetros configurando las

relaciones entre el par predictor(es)-respuesta, de la base de datos dedicada a la

tendencia incrustante de fondo, en la cual la red neural durante un número de 30

evaluaciones definidas por defecto generó una función respuesta, en la última capa

oculta de la red y sin ser evaluada por la capa de salida, capaz de generar una

predicción. Cada evaluación contrasta el valor generado por la función respuesta

de la red neural, conocida como observación estimada mínima, y el valor asignado

al valor real de la respuesta dentro de la base de datos, conocida como observación

objetiva mínima (Beale et al., 2010, p.315).

Una vez establecida la arquitectura de la red neuronal y generado el algoritmo

clasificador se sometió a la misma a un proceso de refinamiento. La acción de

mejora de la red se implementó utilizando una función capaz de remover de la red

neuronal artificial entradas (predictores), capas y salidas (respuestas) de tamaño

cero (Roe et al., 2005, p.580). Esto genero una red con una cantidad menor de

entradas y salidas, con igual competencia para implementar las mismas

operaciones, ya que se prescinde de entradas y salidas de tamaño cero que no

transmiten ninguna información (Matlab, 2019).

Finalmente se realizó una estimación de la importancia de cada uno de los

predictores que influyeron dentro de los criterios de discernimiento del algoritmo

clasificador.

El código empleado para generar el árbol de decisión neural se encuentra en la

primera sección del Anexo III.

2.4.2 TENDENCIA CORROSIVA DE CABEZA

El ajuste del modelo para predicción de tendencia corrosiva emuló la optimización

de parámetros, utilizado en el modelo de árbol de decisión neural anterior, se

37

configuró las relaciones entre el par predictor(es)-respuesta, de la base de datos

dedicada a la tendencia corrosiva de cabeza que tuvo ausencia de 37 ensayos a

comparación de la base de datos dedicada a la tendencia incrustante de cabeza,

en la cual la red neural durante un número de 30 evaluaciones predeterminadas

genero una función respuesta, en la última capa oculta de la red y sin ser evaluada

por la capa de salida, capaz de generar una predicción. Cada evaluación contrasta

el valor generado por la función respuesta de la red neural, conocida como

observación estimada mínima, y el valor asignado al valor real de la respuesta

dentro de la base de datos, conocida como observación objetiva mínima (Beale et

al., 2010, p.315).

Una vez establecida la arquitectura de la red neuronal y generado el algoritmo

clasificador se sometió a la misma a un proceso de refinamiento. La acción de

mejora de la red se implementó utilizando una función capaz de eliminar de la

misma entradas (predictores), capas y salidas (respuestas) de tamaño cero (Roe

et al., 2005, p.580) durante tres ocasiones hasta encontrar el número correcto de

información a eliminarse para mejorar el desempeño de la red neural. Esto generó

una red con una cantidad menor de entradas y salidas, con igual competencia para

implementar las mismas operaciones, ya que se prescinde de entradas y salidas

de tamaño cero que no transmiten ninguna información (Matlab, 2019).

Finalmente, se realizó una estimación de la importancia de cada uno de los

predictores que influyeron dentro de los criterios de discernimiento del algoritmo

clasificador.

El código empleado para generar el árbol de decisión neural se encuentra en la

segunda sección del Anexo III.

38

2.5 EVALUAR Y VALIDAR LAS PREDICCIONES REALIZADAS

POR EL MODELO COMPUTACIONAL CONTRASTANDO LA

PREDICCIÓN REALIZADA CON LA INFORMACIÓN

OBTENIDA DE LA CARACTERIZACIÓN FISICOQUÍMICA DE

LOS POZOS PRODUCTORES Y LA PREDICCIÓN GENERADA

POR EL SOFTWARE FRENCH CREEK

2.5.1 CLASIFICACIÓN DE INFORMACIÓN DESDE LA BASE DE DATOS PARA

VALIDACIÓN EXTERNA

Se utilizó el entorno de Matlab para tratar la base de datos con la finalidad de filtrar

todos aquellos ensayos que tuvieran ausencia de datos en uno o varios de sus

predictores, esta acción redujo la cantidad de ensayos disponibles para ser

evaluados dentro del modelo árbol de decisión neural (MADN) y el programa

dedicado. Esta selección se hizo con la finalidad de aportar la mayor cantidad de

información disponible al programa dedicado al que no le es posible realizar una

predicción si la información es insuficiente.

El código utilizado para la realización de la clasificación de datos y la generación

de una nueva hoja de electrónica de Excel está disponible en la primera sección

del Anexo IV.

2.5.2 VALIDACIÓN EXTERNA CON EL PROGRAMA ScaleSoftPitzer

El código de generación del modelo de árbol de decisión neural (MADN) tuvo dentro

de sus líneas de programación las instrucciones necesarias para que, tras separar

los 177 ensayos seleccionados para conformar la nueva base de datos para la

tendencia incrustante de fondo y la tendencia corrosiva de cabeza, se

seleccionaron para ambos casos los 40 primeros ensayos generando una hoja

electrónica de Excel individual para cada una de las tendencias.

39

Se ordenó al árbol de decisión neural realizar las predicciones de tendencia tanto

para la incrustación de fondo como para la corrosividad de cabeza con los 40

ensayos obttenidos.

La información de los ensayos que fue alimentada a los modelos de árbol de

decisión neural se encuentran detallados en la segunda sección del Anexo IV.

Los valores de predicción de las tendencias se exportaron a una hoja electrónica

de Excel por separado, a continuación, la información de cada uno de los ensayos

fue ingresada al programa French Creek, dentro del subprograma

ScaleSoftPitzaerTM, donde se evaluó la tendencia incrustante y corrosiva.

Finalmente, las predicciones realizadas por el programa externo fueron

contrastadas con las predicciones realizadas por los modelos de árbol de decisión

neural, obteniendo la tasa de acierto de cada una de las predicciones por separado

con respecto al valor real de la tendencia incrustante de fondo y la tendencia

corrosiva de cabeza.

Adicionalmente se comparó la tasa de coincidencia entre ambas predicciones.

Las predicciones tanto del modelo de árbol de decisión neural y del programa

externo se presentan en la tercera sección del Anexo IV

40

RESULTADOS Y DISCUSIÓN

Se presentan los resultados producto del tratamiento de la información obtenida de

análisis fisicoquímicos y condiciones de operación de diferentes pozos de

extracción de petróleo.

El tratamiento de la información para generar la base de datos idónea en el

desarrollo del modelo de árbol de decisión neural (MADN) para generar

predicciones de la tendencia incrustante de fondo y la tendencia corrosiva de

cabeza, la tasa de acierto en las predicciones realizadas y la validación externa de

la fiabilidad de la respuesta generada al ser validada con la predicción de un

programa externo, ScaleSoftPitzerTM.

3.1 GENERACIÓN DE LA BASE DE DATOS

La información presente en la base de datos se conformó de tal manera que una

fila representa un ensayo realizado y las primeras 24 columnas corresponden al

valor del predictor y las 2 últimas a los valores reales de la tendencia incrustante de

fondo y tendencia corrosiva de cabeza.

Tras el análisis de la información recolectada se redujo la cantidad de predictores

en 19, con el fin de reducir los errores generados en la etapa de aprendizaje de la

red al construir algoritmos con información en su mayoría ausente, mismos que

aparecen citados en la Tabla 3.1.

Tabla 3.1. Predictores eliminados

Predictor Unidades Tipo

Bario (mg/L) Cuantitativo

TDS (Calculado) (mg/L) Cuantitativo

TDS (Medido) (mg/L) Cuantitativo

CO2 Agua (mg/L) Cuantitativo

41

Tabla 3.1. Predictores eliminados (continuación…)

Predictor Unidades Tipo

H2S Agua (mg/L) Cuantitativo

Ácidos carboxílicos (mg HCO3/L) Cuantitativo

La hoja electrónica de Matlab contenedora del código, denominado script, generada

para la exportación de la hoja electrónica de Microsoft Excel al entorno de Matlab

puede ser revisado en la segunda sección del Anexo II.

Se generó un script en el programa Matlab para evaluar las características de los

predictores y respuestas contenidas en la base de datos (Base_Datos.xlsx), la que

fue exportada dentro del programa. El script trabajo de manera simultánea para la

tendencia incrustante de fondo y la tendencia corrosiva de cabeza.

En primer lugar, se asignaron los nombres a los predictores y respuestas con base

en la información contenida en la primera fila de la base de datos, las cuales fueron

guardadas como propiedades de la base de datos de carácter no modificable.

Después, se hizo una discriminación entre predictores y respuestas de valor

cualitativo y se les asignó la propiedad de variable categórica y guardadas en

propiedades de la tabla (Attaway, 2009, p.223).

El código generado inspeccionó los predictores y eliminó aquellos que presentasen

una fuerte ausencia de información en comparación con el resto de predictores.

3.1.1 BASE DE DATOS DEDICADA A LA TENDENCIA INCRUSTANTE DE

FONDO

El resumen de características se muestra en la Tabla 3.2 para los 18 predictores

cuantitativos y la Tabla 3.3 para el predictor y respuesta cualitativa.

42

Tabla 3.2. Resumen de características de predictores cuantitativos para tendencia


Predictor Variable Unidades

Valor Cantidad

de

análisis

ausentes

Mínimo Media Máximo

Sodio Na

mg/L

0,00 8

935,00 48 625,00 0

Magnesio Mg 1,22 238,80 7 226,60 0

Calcio Ca 16,80 1,13 11 528,00 0

Hierro Fe 0,28 19,75 338,00 1

Cloro Cl 110,00 16

325,00 94 900,00 0

Sulfato SO4 2,88 150,00 1 625,00 0

Bicarbonatos Bicar 0,00 549,00 2 806,00 93

pH

Condiciones

normales

pH --- 5,24 6,76 62,00 0

CO2 gas CO2gas % 1,00 10,00 98,00 0

H2S Gas H2Sgas ppm 0,00 10,00 300,00 1

Densidad

API API --- 14,90 27,60 33,20 54

Temperatura

de

perforación

TempFo ºF 0,00 231,00 320,00 15

Temperatura

de cabeza TempCab ºF 0,00 163,00 245,00 2

Presión de

perforación PresFo psia 0,00

1

440,00 9 740,00 17

Presión de

cabeza PresCab psia 0,00 120,00 2 750,00 3

43

Tabla 3.2. Resumen de características de predictores cuantitativos para tendencia

incrustante de fondo (continuación…)


Valor Cantidad

de análisis

ausentes Mínimo Media Máximo

Índice de

saturación de

fondo

Sif --- - 228,00 0,48 389,00 40

Índice de

saturación de

cabeza

Sic --- - 1,50 0,30 2,53 29

Tabla 3.3. Resumen de características de predictor y respuesta cualitativos para tendencia


Predictor

Variable Tipo Cantidad

Cantidad

de análisis

ausentes

Arena

Productora ArProd

BT 17

0

BT+TI 3

BT+UI 1

HI 25

HP 12

HS+TI 1

T 15

TI 90

TI+TS 3

TI+UI 6

TS 35

TS+TI 5

UI 193

44


incrustante de fondo (continuación…)

Predictor


Cantidad

de análisis

ausentes

UI+TS 2

0 US 38

US+UI 14

Respuesta

Tendencia

incrustante

de fondo

TnIF

NSPD* 118

0 LEVE 197

MODERADA 41

SEVERA 104

*No se producen depósitos

3.1.2 BASE DE DATOS DEDICADA A LA TENDENCIA CORROSIVA DE

CABEZA

Las características de los predictores cuantitativos se presentan en la Tabla 3.4, de

igual manera las características del predictor cualitativo y la respuesta cualitativa

se presentan en la Tabla 3.5.

Tabla 3.4. Resumen de características de predictores cuantitativos para tendencia corrosiva

de cabeza


Valor Cantidad

de análisis


Sodio Na

mg/L

0 10 282,00 48 625,00 0

Magnesio Mg 14,40 276,00 7 226,60 0

Calcio Ca 156,00 1 344,00 11 528,00 0

Hierro Fe 0,50 22,56 338,00 1

45

Tabla 3.4. Resumen de características de predictores cuantitativos para tendencia corrosiva

de cabeza (continuación…)


Valor Cantidad

de análisis


Sodio Na

mg/L

0 10 282,00 48 625,00 0

Cloro Cl 3 200,00 19 750,00 94 900,00 0

Sulfato SO4 2,88 165,00 1 625,00 0

Bicarbonatos Bicar 183,00 677,10 2 806,00 93

pH

Condiciones

normales

pH --- 5,24 6,75 62,00 0

CO2 gas CO2gas % 1,00 11,00 98,00 0

H2S Gas H2Sgas ppm 0,00 9,00 150,00 1

Densidad

API API --- 15,10 27,80 33,20 54

Temperatura

de

perforación

TempFo ºF 0,00 231,00 320,00 4

Temperatura

de cabeza TempCab ºF 80,00 165,00 245,00 2

Presión de

perforación PresFo psia 313,00 1 407,70 9 740,00 17

Presión de

cabeza PresCab psia 0,00 110,00 410,00 3

Índice de

saturación

de fondo

Sif --- - 228,00 0,49 389,00 40

Índice de

saturación

de cabeza

Sic --- - 1,50 0,30 2,53 29

46


corrosiva de cabeza

Predictor


Cantidad

de análisis

ausentes

Arena

Productora

ArProd

BT 17

---

BT+TI 3

BT+UI 1

HS+TI 1

T 15

TI 90

TI+TS 3

TI+UI 6

TS 35

TS+TI 5

UI 193

UI+TS 2

US 38

US+UI 14

Respuesta


Cantidad

de análisis

ausentes

Tendencia

corrosiva

de cabeza

TnCc

LEVE 244

0 MODERADA 142

SEVERA 37

47

3.2 SELECCIÓN DEL ALGORITMO CLASIFICADOR

Al tener un predictor con información cualitativa los modelos probabilísticos fueron

descartados, debido a que estos realizan una valoración estadística de la

información alimentada como predictor para generar un modelo de dispersión de

distribuciones de los valores de los predictores, lo cual sirve como criterio

complementario durante el desarrollo del algoritmo clasificador e influye sobre la

predicción que se genera (Shalev-Shwartz y Ben-David, 2014, p.54).

Los algoritmos clasificadores en base a modelos geométricos no fueron

seleccionados debido a que la información proveniente de la tendencia incrustante

de fondo y la tendencia corrosiva de cabeza que son de carácter cualitativo. Estos

algoritmos clasificadores tiene por objetivo el desarrollo de una función capaz de

generar una predicción de valor numérico al encontrar la relación matemática entre

predictores estrictamente cuantitativos (Hurwitz et al., 2018, p.47).

Según Lee y Yen (2002) el algoritmo clasificador más versátil para manejar bancos

de datos con presencia de información cualitativa y ausencia parcial de información

en uno o más predictores es el modelo clasificador lógico asistido por un árbol de

decisión. Estos conjuntos de características determinaron la selección de dicho

algoritmo para el desarrollo de la red neuronal artificial.

3.2.1 ESTRUCTURA DEL MODELO DE ÁRBOL DE DECISIÓN NEURAL

(MADN)

Los árboles de decisión de modelos clasificadores lógicos que fueron generados

usando el entorno de Matlab son de naturaleza binaria. En donde cada paso en la

predicción implica la revisión de la información contenida en un predictor, pudiendo

ser esta cualitativa o cuantitativa, tal como se ilustra en la Figura 3.1 (Roe et al.,

2005, p.579).

48

Figura 3.1. Árbol de decisión simple

El árbol de clasificación de la Figura 3.1 predice clasificaciones basadas en dos

predictores, x1 y x2. La predicción comienza con el nodo superior, representado

por un triángulo. La primera decisión es si x1 es menor que a. Si la condición se

cumple, se opta por seguir la rama izquierda y es posible visualizar la clasificación

de los tipos como tipo 0. Sin embargo, si x1 excede a, entonces se sigue la rama

derecha. En este punto el árbol pregunta si x2 es menor que b. Si la respuesta es

afirmativa el árbol clasifica los datos como tipo 0, caso contrario los clasifica como

tipo 1 (Roe et al., 2005, pp.579-581).

3.3 DESARROLLO Y AJUSTE DEL ÁRBOL DE DECISIÓN

NEURAL (MADN)

3.3.1 TENDENCIA INCRUSTANTE DE FONDO

Las evaluaciones de la red neural se generaron hasta que los valores de las

observaciones obtuvieron la menor desviación posible durante el proceso de

entrenamiento, cada una de las evaluaciones de desempeño de la función

clasificadora fue registrada y son mostradas en la Figura 3.2.

49

Figura 3.2. Objetivo mínimo vs. Número de evaluaciones de la función del algoritmo

clasificador para la tendencia incrustante de fondo

Los resultados de la última evaluación de desempeño entre la observación

estimada mínima y la observación objetiva mínima se presentan el Tabla 3.6.

Tabla 3.6. Resultados de la última evaluación de desempeño de la observación estimada

mínima y la observación objetiva mínima para el MADN de tendencia incrustante de fondo

Observación Valor

Estimada mínima 0,25819

Objetiva mínima 0,25843

La Figura 3.2 muestra el seguimiento realizado del comportamiento de la función

del modelo de árbol de decisión neural, recopilando el valor estimado de la función

objetivo generado a través de los puntos observables o información recopilada del

ajuste de la red neural, la respuesta media del modelo y la respuesta generada para

el conjunto de predictores siguientes, en simultáneo se recopila información de las

desviaciones generadas durante el proceso de entrenamiento y el valor de

respuesta mínimo factible en cada uno de los nodos de decisión dentro de la red

neural en contraste con la cantidad de nodos de decisión empleados, hasta

50

encontrar el número de nodos mínimo capaces de ser eliminados a partir del cual

la desviación entre la respuesta y la predicción generada comienza a disminuir.

La evolución del proceso de refinamiento del modelo de árbol de decisión neural

(MADN) para la tendencia incrustante de fondo se presenta en la Figura 3.3.

Figura 3.3. Modelo de función objetivo para la tendencia incrustante de fondo

El conjunto de datos de prueba previamente separado de la base de datos original

dedicada, con un total de 69 ensayos, se utilizó para probar la calidad de la

predicción generada por el modelo de árbol de decisión neural en dos etapas, la

primera implementada sobre el algoritmo clasificador antes del refinamiento y la

segunda tras implementar el refinamiento, el cual se basa en la información

aportada por la Figura 3.3 en donde se separó de la red neural 2 nodos de decisión

51

dentro de la arquitectura interna del algoritmo clasificador. El porcentaje de acierto

obtenidos en ambas etapas se presenta en la Tabla 3.7.

Tabla 3.7. Rendimiento del modelo de árbol de decisión neural para la tendencia


Etapa Refinamiento Acierto (%)

1 No 74,18

2 Si 83,45

Utilizando el árbol de decisión neural refinado se realizó el análisis de importancia

de los 17 predictores cuantitativos dentro del desarrollo del algoritmo clasificador

representados en un gráfico de barras con un rango de valor unitario presentado

en la Figura 3.4, que es entendido como la influencia individual de la información

de entrada como complemento del proceso de clasificación para generar una

respuesta. De los 17 predictores originales han sido seleccionados 10 de ellos de

manera individual o agrupados en parejas con base en su interacción con el

algoritmo calificador. El valor de los predictores que actúan en conjunto como el

sodio (Na) y magnesio (Mg) fue del 0,1748 %; el magnesio (Mg) y el calcio (Ca) fue

del 0,2397 %; el hierro (Fe) y cloro (Cl) fue del 0,5071 %; el cloro (Cl) y sulfatos

(SO4) fue del 0,1157 % y el dióxido de carbono gaseoso (CO2(g)) y el ácido

sulfhídrico gaseoso (H2S(g)) fue del 1,956 %. Individualmente el sulfato (SO4)

presenta una influencia del 0,0026 %. Finalmente, el resto de predictores y sus

emparejamientos presentan influencias despreciables.

52

Figura 3.4. Estimación de la importancia de los predictores para el MADN de tendencia


Dentro de la producción de petróleo y gas el riesgo de bloqueo de la línea de flujo

del fluido por la presencia de hidratos es alto, debido a ello la industria emplea como

una de las técnicas de remediación el uso de antiaglomerantes de hidratos con el

fin de reducir e inclusive frenar la formación de aglutinamientos de las distintas

especies químicas presentes en el fluido (Lyons, 2005, p.1112). Además, una

herramienta complementaria para favorecer la degradación y facilitar la extracción

del petróleo y gas es el uso de biosurfactantes que aumentan la solubilización en

medios acuosos (Raiger lustman y López, 2009, p.146).

Uno de los criterios que pudo influenciar en el depósito de formaciones minerales

es la posible presencia de dos o más aguas incompatibles y su mezcla. El agua

utilizada en los procesos de extracción de petróleo y gas, es un agua tratada con

una baja concentración de iones sulfato (SO4-2), iones bario (Ba) e iones calcio (Ca),

en comparación al agua de formación que contiene una baja concentración de iones

sulfato (SO4-2) y una alta concentración de iones bario (Ba) e iones calcio (Ca). Las

cuales conforman un ejemplo típico de aguas o salmueras incompatibles

(BinMerdhah, Yassin, y Muherei, 2010, p.80).

53

La primera asociación hecha por el algoritmo clasificador de la red neuronal artificial

relacionó a los iones de sodio (Na) y magnesio (Mg), este emparejamiento puede

estar motivado desde el punto de vista fisicoquímico por la tendencia de estos iones

a asociarse con iones de cloro (Cl) presentes en la solución para formar sales como

el cloruro de sodio (NaCl) y el cloruro de magnesio (MgCl2).

Según York y Firoozabadi (2009) la adición de sales minerales como el cloruro de

sodio (NaCl) y el cloruro de magnesio (MgCl2) pueden repercutir en la efectividad

de los antiaglomerantes, siendo más perjudicial la sal bivalente (MgCl2), en

contraposición los biosurfactantes no iónicos son más efectivos a bajas

concentraciones de sal que los tensoactivos aniónicos (York y Firoozabadi, 2009.

p. 2939). Sustentado por estos criterios se justificó la importancia dada por el

algoritmo clasificador a la relación entre los iones de sodio (Na) y magnesio (Mg).

La interacción del cloro (Cl) con hierro (Fe) puede formar cloruro de hierro III (FeCl3)

que es una especie química utilizada ampliamente dentro del tratamiento de agua

y efluentes como coagulante (Nelson y Avijit, 2004, p.452), lo que implica que

dentro del fluido la aparición de esta molécula puede propiciar una mayor tasa de

formación de depósitos, justificando la importancia asignada por el algoritmo

clasificador para dicho par de predictores.

Con base en la investigación de Peng, Ferguson, y Korshin (2013) las variaciones

de las concentraciones de aniones como el cloruro (Cl-) y sulfato (SO4-2) en

presencia de materia orgánica, en la fase acuosa, afectan a la liberación de

escamas de hierro en superficies comprometidas y la retención dentro del fluido de

especies inorgánicas. El algoritmo clasificador pudo generar una relación empírica

validada por una investigación externa.

El último par de predictores emparejados fueron el dióxido de carbono gaseoso

(CO2(g)) y el ácido sulfhídrico gaseoso (H2S(g)). El primero puede penetrar en la fase

líquida del fluido y reaccionar con el agua para formar ácido carbónico (H2CO3), a

través de una serie de mecanismos como se presentan en la Figura 3.5, el ácido

carbónico se transforma en bicarbonato (HCO3-), posteriormente puede convertirse

54

en un ion carbonato (CO3-2) capaz de formar carbonatos con sales minerales como

el calcio, precipitando y formando depósitos (Chang, 2002, p.367).

Figura 3.5. Equilibrio trifásico en el sistema CO2/Carbonato

(Chang, 2002, p.367)

El ácido sulfhídrico gaseoso (H2S(g)) es un poderoso agente corrosivo cuya relación

con la formación de depósitos se halla en las escamas de óxido que se desprenden

de las superficies afectadas y que se acumulan con el resto de especies minerales.

En comparación con el resto de predictores y la importancia que el algoritmo

clasificador les adjudicó, tanto el dióxido de carbono gaseoso (CO2(g)) y el ácido

sulfhídrico gaseoso (H2S(g)) se les atribuyó el mayor porcentaje con base en la

facilidad de estas dos especies para formar especies minerales, como en el caso

del dióxido de carbono gaseoso (CO2(g)), o la capacidad de corroer la superficie con

la que entra en contacto como lo hace el ácido sulfhídrico gaseoso (H2S(g)).

Una vez finalizado el refinamiento de la red neural con la mejor tasa de acierto de

las predicciones realizadas y la estimación de la importancia de los predictores

cuantitativos se genera el árbol de decisión mostrado en la Figura 3.6. Las

especificaciones y valores de criterio para los predictores son detalladas en la Tabla

3.8.

55

Figura 3.6. Árbol de decisión para tendencia incrustante de fondo

56

Tabla 3.8. Especificaciones y valores de criterio para el árbol de decisión de tendencia


Nivel Nodo Predictor Variable Valor Unidades

1 1 Índice de saturación de fondo Sif 0,0060 ---

2 2 Sodio Na 3 853,0 mg/L

3 Índice de saturación de fondo Sif 0,2150 ---

3 4 Cloro Cl 2 000,0 mg/L

4 5 Bicarbonatos Bicar 607,4 mg/L

5 6 Índice de saturación de fondo Sif 0,3360 ---


6

8 Dióxido de carbono gaseoso CO2gas 6,0 %


10 Calcio Ca 262,0 mg/L


7 12 Bicarbonatos Bicar 250,1 mg/L

13 Ácido sulfhídrico gaseoso H2Sgas 6,5 ppm

8 14 Sodio Na 5 179,0 mg/L

La incrustación en tuberías de extracción de petróleo y gas es un fenómeno

estrechamente ligado a la presencia de iones minerales en el fluido, la correcta

caracterización del petróleo permite evaluar la posible aparición de precipitados

inorgánicos y proporciona información para estimar la concentración de los mismo,

acorde con Zerpa (2013) estos sólidos minerales precipitan en la fase acuosa del

fluido causados por cambios en las condiciones de operación. Los depósitos más

comunes encontrados en tuberías son el carbonato de calcio (CaCO3), sulfato de

bario (BaSO4), sulfato de estroncio (SrSO4) y sulfato de calcio (anhidrita, CaSO4)

(Guo et al., 2014).

La presencia de estos compuestos inorgánicos es favorecida por la existencia de

iones inorgánicos como el calcio, magnesio, sodio y gases como el dióxido de

carbono y el ácido sulfhídrico lo que apoya la decisión de tomar a dichos iones

como criterios relevantes en el momento de la clasificación de importancia de los

57

predictores tal como se observa en la Figura 3.4. Sin embargo, aunque estos

predictores fueron evaluados en principio por el algoritmo clasificador, la generación

de la respuesta fue una suma de los procesos internos del algoritmo que con base

en la información de entrada generó un conjunto de funciones en las que uno o más

predictores pudieron ser utilizados para ajustar la respuesta a la predicción

deseada.

Adicionalmente, dentro de los predictores seleccionados para formar parte de los

nodos clasificadores se añadió el índice de saturación de fondo que representa el

contenido de agua e hidrocarburos presentes en el espacio poroso de la roca de

yacimiento, ya que cuando este fluido es extraído la cantidad de mineral presente

en el petróleo transportado aumenta (Fink, 2012, p.130) .

La mezcla de dos aguas incompatibles puede conducir a la precipitación de sulfato

de bario (BaSO4) y sulfato de calcio (CaSO4) (Olajire, 2015, p.4), lo que sustenta la

predicción de la tendencia incrustante entre moderada y severa para altas

concentraciones de calcio como se aprecia en el nodo de decisión 11 del modelo

de árbol de decisión neural presente en la Tabla 3.8. Otras incompatibilidades entre

distintos tipos de agua podrían propiciar la aparición de costras minerales de

sulfuro, donde el sulfuro de hidrógeno (H2S) puede reaccionar con hierro (Fe), zinc

(Zn) y plomo (Pb) (Olajire, 2015, p.6), fenómeno que valida la selección del

algoritmo clasificador en su decisión de situar al sulfuro de hidrógeno como nodo

de decisión y atribuirle a la concentración del mismo la capacidad de generar

tendencias incrustantes entre moderadas y severas como se registra en el nodo de

decisión 13 de la Tabla 3.8 y se puede apreciar en el árbol de decisión de la Figura

3.6.

Cabe resaltar que, en los pozos de inyección de agua, la solubilidad de ciertas sales

minerales en el agua inyectada saturada puede disminuir a medida que se desplaza

hacia la zona de alta temperatura, lo que podría ocasionar la aparición de

incrustaciones a lo largo de las picaduras del pozo (Olajire, 2015, p.10). Análogo,

una disminución en la presión puede disminuir la solubilidad de varios minerales en

el agua. Según Kamal, Hussein, Mahmoud, Sultan, y Saad, (2018), la solubilidad

de los minerales puede reducirse en un factor de 2, adicionalmente la solubilidad

58

de algunos minerales, como los carbonatos, cambia ante la presencia de gases

ácidos como el dióxido de carbono (CO2) y al ácido sulfhídrico (H2S), justificando la

presencia de dichos elementos dentro del árbol de decisión neural y su efecto sobre

la tendencia incrustante de fondo.

Se desarrolló satisfactoriamente el árbol de decisión neural siguiendo la

arquitectura propuesta por Lee y Yen (2002) en donde un nodo de decisión puede

derivar en una respuesta o la conexión con otros dos nodos en un nivel inferior,

pero nunca una respuesta puede sustentarse con base en dos nodos de decisión

(Lee y Yen, 2002, p.115), el modelo de árbol de decisión neural generado tuvo una

tasa de acierto del 74,18 %. Se sometió al algoritmo a un proceso de refinamiento

en el cual se eliminaron nodos de decisión que partían de predictores con

información incompleta o que generaban una respuesta no concluyente siguiendo

el proceso de mejora estipulado por Roe et al. (2005), de tal manera que la tasa de

acierto mejoró hasta alcanzar el 83,45 %. La cantidad de niveles y nodos de

decisión requeridos por la red neuronal artificial definitiva al igual que sus

características se presentaron en la Tabla 3.8 y el árbol de decisión generado se

presentó en la Figura 3.6.

Se realizó una inspección del árbol de decisión presentado en la Figura 3.6, el

primer nivel tomó como criterio de decisión el índice de incrustación de fondo (sif)

con el valor mínimo de discernimiento de todos los niveles subsecuentes, el

segundo nivel de decisión evaluó la cantidad de iones de sodio (Na) presentes en

el fluido y se registró un aumento en el valor del índice de incrustación de fondo

(sif), en este nivel las primeras predicciones de tendencias incrustantes pueden ser

realizadas teniendo la posibilidad de que no se generen depósitos o que haya una

formación leve de los mismos en dos de las tres predicciones posibles. El tercer

nivel constó de un nodo de decisión único con el criterio sobre la concentración de

cloro (Cl) con una predicción leve para el caso de valores menores al valor de

criterio establecido y generando un cuarto nivel si los valores son mayores, el cuarto

nivel genera dos nodos de decisión tomando valores mayores del índice de

saturación de fondo y sin salida a una respuesta.

59

En el quinto nivel el primer nodo de decisión genera una predicción de tendencia al

evaluar el porcentaje de dióxido de carbono gaseosos (CO2(g)) presente en el fluido,

el segundo nodo de decisión tomó un valor aún mayor de índice de saturación de

fondo (sif) partiendo de él un nivel posterior y una predicción. El tercer nodo de

decisión tomó como criterio de decisión a la concentración de calcio (Ca) generando

una predicción y un siguiente nodo de decisión, el cuarto nodo de decisión tomó un

mayor valor de concentración de calcio (Ca) en el fluido generando una predicción

con base en el valor de discernimiento.

El séptimo nivel del árbol de decisión constó de dos nodos de decisión, el primer

nodo tomó como criterio de discernimiento el valor de la concentración de

bicarbonatos en el fluido (Bicar) generando una predicción en caso de cumplirse

las condiciones estipuladas, el segundo nodo de decisión utilizó como criterio de

discernimiento a la concentración en partes por millón (ppm) del ácido sulfhídrico

en el fluido, generando una respuesta y un último nivel. El nivel final constó de un

solo nodo de decisión cuyo criterio fue la concentración de sodio (Na) en el fluido

generando dos predicciones de la tendencia.

Las predicciones de tendencia más benévolas, siendo la no producción de

depósitos (NSPD) y producción leve de depósitos (LEVE), pueden ser encontradas

en el segundo y tercer nivel del árbol de tendencia en donde se registró los valores

de índice de incrustación de fondo (sif), concentración de sodio (Na) y

concentración de cloro (Cl) menores. El cuarto y quinto nivel sólo aportaron criterios

de discernimiento, en el sexto y séptimo nivel la tendencia a la incrustación aumenta

y se encontraron predicciones entre leve y moderada, de igual manera se pudo

apreciar que los valores de la concentración de los diferentes iones inorgánicos

presentes en el fluido fueron mayores, también se incluyó a las interacciones de las

especies gaseosas como el dióxido de carbono (CO2) y el ácido sulfhídrico (H2S)

como criterios de decisión. El último nivel tuvo un único nodo de decisión utilizando

la concentración del ion sodio como valor para generar una predicción, siendo éste

el único nivel donde la predicción puede tornarse severa.

60

3.3.2 TENDENCIA CORROSIVA DE CABEZA

La arquitectura del modelo de árbol de decisión neural se construyo y rpobó durante

un período de 30 evaluaciones hasta que se obtuvo la menor desviación posible

durante el proceso de entrenamiento, cada una de las evaluaciones de desempeño

de la función clasificadora fue registrado y mostradas en la Figura 3.7.

Figura 3.7. Objetivo mínimo vs. Número de evaluaciones de la función del algoritmo

clasificador para la tendencia corrosiva de cabeza

Los resultados de la última evaluación de desempeño entre la observación

estimada mínima y la observación objetiva mínima se presentan el Tabla 3.9.

61

Tabla 3.9. Resultados de la última evaluación de desempeño de la observación estimada

mínima y la observación objetiva mínima para el MADN de tendencia corrosiva de cabeza

Observación Valor

Estimada mínima 0,3777

Objetiva mínima 0,3784

La Figura 3.8 muestra el seguimiento realizado del comportamiento de la función

del modelo de árbol de decisión neural, recopilando el valor estimado de la función

objetivo generado a través de los puntos observables o información recopilada del

ajuste de la red neural, la respuesta media del modelo y la respuesta generada para

el conjunto de predictores siguientes, en simultáneo se recopila información de las

desviaciones generadas durante el proceso de entrenamiento y el valor de

respuesta mínimo factible en cada uno de los nodos de decisión dentro de la red

neural en contraste con la cantidad de nodos de decisión empleados, hasta

encontrar el número de nodos mínimo capaces de ser removidos a partir del cual

la desviación entre la respuesta y la predicción generada comienza a disminuir.

Figura 3.8. Modelo de función objetivo para la tendencia corrosiva de cabeza

62

El conjunto de datos de prueba previamente separado de la base de datos original

dedicada, con un total de 63 ensayos, se utilizó para probar la calidad de la

predicción generada por el modelo de árbol de decisión neural en dos etapas, la

primera implementada sobre el algoritmo clasificador antes del refinamiento y la

segunda tras implementar el refinamiento, el cual se basa en la información

aportada por la Figura 3.8 en donde se separó de la red neural 2 nodos de decisión

dentro de la arquitectura interna del algoritmo clasificador a pesar que el programa

sugería el no eliminar ningún nodo lo que no hubiese aportado una modificación y

potencial mejora a la red neural. El porcentaje de acierto obtenidos en ambas

etapas se presenta en la Tabla 3.10.

Tabla 3.10. Rendimiento del modelo de árbol de decisión neural de tendencia corrosiva de

cabeza

Etapa Refinamiento Acierto (%)

1 No 54,82

2 Si 63,97

Utilizando el árbol de decisión neural refinado se realizó el análisis de importancia

de los 17 predictores cuantitativos dentro del desarrollo del algoritmo clasificador

representados en una gráfica de barras con un rango de valor unitario presentado

en la Figura 3.9, que es entendido como la influencia individual de la información

de entrada como complemento del proceso de clasificación para generar una

respuesta. De los 17 predictores originales han sido seleccionados 10 de ellos de

manera individual o agrupados en parejas con base en su interacción con el

algoritmo calificador. El valor de los predictores que han sido seleccionados por el

algoritmo clasificador y actúan en conjunto como el magnesio (Mg) y sodio (Na) fue

de 0,78 %; magnesio (Mg) y calcio (Ca) fue de 0,61 %; hierro (Fe) y calcio (Ca) fue

de 0,43 %; hierro (Fe) y cloro (Cl) 0,23 %; cloro (Cl) y sulfato (SO4) 0,82 %; sulfato

(SO4) y bicarbonatos 0,72 %; bicarbonatos y el valor de pH a condiciones normales

0,23 %; dióxido de carbono gaseoso (CO2(g)) y pH a condiciones normales 1,90 %.

Individualmente las especies químicas como el calcio (Ca) presenta una influencia

de 0,36 %; cloro (Cl) de 0,48 %; sulfatos (SO4) de 0,60 %; bicarbonatos de 0,68 %;

pH a condiciones normales 1,47 %; dióxido de carbono gaseoso (CO2(g)) 0,94 % y

63

ácido sulfhídrico gaseoso (H2Sgas) de 0,39 %. Finalmente, el resto de predictores y

sus emparejamientos presentan influencias despreciables.

Figura 3.9. Estimación de la importancia de los predictores para el MADN de tendencia

corrosiva de cabeza

El agua de formación presente en la extracción de petróleo y gas suele contener

iones tales como nitrato (NO-3), sulfato (SO4-2), cloro (Cl), sodio (Na), bicarbonato

(HCO3-), calcio (Ca) y magnesio (Mg). También están presentes en partes por millón

iones de hierro (Fe) o manganeso (Mg) y en menor concentración sales de potasio

cuyo comportamiento es muy similar a las sales sódicas (Pei, Wang, y Liu, 2014,

p.2).

Las asociaciones realizadas por el algoritmo clasificador dedicado a la tendencia

corrosiva de cabeza respecto a la importancia de los iones minerales tanto en

conjunto como en solitario son validadas con base en los siguientes conceptos.

Primero, las sales de potasio y sodio tienden a disminuir la tasa de corrosión en

aleaciones de acero, según Abd El Salam Abd El Aleem, S. Al-Mutaz, y Al-Arifi,

(2011), el aumento en la tasa de corrosión incrementa con la concentración de sales

presentes en la solución hasta un valor alrededor del 3,0 % en peso, momento en

64

el cual la tasa de corrosión obtiene una relación inversamente proporcional respecto

a la concentración de sales. A pesar de que una mejora en la conductividad de la

solución permite mayores tasas de corrosión, una concentración mayor de sales,

por encima del 3,0 % disminuye la solubilidad del oxígeno disuelto afectando la

velocidad de corrosión.

Segundo, la formación de depósitos minerales en los que intervienen iones

presentes en el agua de formación y que forman moléculas como el carbonato de

calcio (CaCO3), sulfato de calcio (CaSO4), hidróxido de magnesio (Mg(OH)2),

además de partículas suspendidas como óxido de silicio (SiO2), productos de

corrosión como el óxido de hierro y sales de cobre se depositan de forma

heterogénea sobre las superficies de las tuberías de extracción causando corrosión

por picadura (Pei et al., 2014, p.3).

La asociación hecha por el algoritmo clasificador entre el pH y los bicarbonatos se

sustenta en que, dentro de la industria del petróleo y gas, los valores de pH de los

fluidos que pasan a través de las tuberías de extracción se reducen mediante la

dosificación de ácidos para minimizar la formación de incrustaciones, generalmente

provenientes de bicarbonatos y otras especies minerales, los que son disueltos

mediante el empleo de ácido clorhídrico (HCl) (Guo et al., 2014. p.149). Además, el

uso de ácido acético (CH3COOH) y ácido cítrico (C6H8O7) permite prevenir la

precipitación de óxidos de metal. Sin embargo, la adición de ácidos estimula la

velocidad de corrosión (Fink, 2012, p.41).

El par de predictores asociados por el algoritmo clasificador, pH y dióxido de

carbono gaseoso (CO2(g)), sustenta su decisión con base en la investigación

realizada por Tanupabrungsun, Brown, y Nesic (2013), donde se demostró que a

valores de pH menores a 4 las tasas de corrosión son mayores que a valores de

pH de 6. Además, para el rango de pH de 4 a 6, las tasas de corrosión disminuyeron

debido a la formación de capas protectoras sobre la superficie del acero, producto

de la reacción de iones de hierro y moléculas de dióxido de carbono, estas capas

estuvieron constituidas por moléculas de carbonato ferroso (FeCO3) y un aumento

en la presencia de carbonato ferroso (FeCO3) y óxido férrico (Fe3O4) al operar a

temperaturas por sobre los 150 ºC.

65

Otro factor capaz de alterar el valor del pH en el fluido son las soluciones acuosas

de sales que se hidrolizan e influyen sobre la reacción de corrosión. Las soluciones

ácidas que parten de la hidrólisis de sales ácidas como el bicarbonato de litio

(LiHCO3) y bicarbonato ferroso (Fe(HCO3)2) provocan corrosión asociada con

desprendimiento de hidrógeno y depolarización por oxígeno al actuar en simultáneo

para mismos valores de pH (Silvia y Fundora, 2014, p.41).

Finalmente, la asignación de importancia del ácido sulfhídrico gaseoso (H2S(g)) en

solitario hecha por el algoritmo clasificador, se apoya en la investigación realizada

por Kannan, Jithinraj, y Natesan, (2018), los que mencionan la capacidad del ácido

sulfhídrico gaseoso (H2S(g)) para acidificar el agua con la que entra en contacto,

siendo esto el principal responsable de la corrosión por picadura en tuberías de

acero al carbono. Además de resaltar que la combinación de dicha molécula con

oxígeno (O2) y dióxido de carbono (CO2) puede aumentar rápidamente la reacción

de corrosión.

Una vez concluido el refinamiento de la red neural con la mejor tasa de acierto de

las predicciones realizadas y la estimación de la importancia de los predictores

cuantitativos se genera el árbol de decisión mostrado en la Figura 3.10. Las

especificaciones y valores de criterio para los predictores son detalladas en la Tabla

3.11.


corrosiva de cabeza


1 1 Temperatura de fondo TempFo 229,5 ºF

2 2 Temperatura de cabeza TempCab 185,5 ºF

3 Presión de cabeza PresCab 107,5 psia

3

4 Dióxido de carbono gaseoso CO2gas 62,5 %

5 Sodio Na 9 269,5 mg/L

7 Cloro Cl 6 475,0 mg/L

8 Densidad API API 31,80 ---

66


corrosiva de cabeza (continuación…)


4

9 Hierro Fe 243,000 mg/L

10 Sodio Na 32 866,0 mg/L

11 Arena productora Arprod

HS+TI, TI+TS, UI

--- Resto de arenas

productoras

12 pH a condiciones

normales pH 6,055 ---


5

14 Calcio Ca 10 340,0 mg/L

15 Temperatura de cabeza TempCab 185,5 ºF

16 Temperatura de fondo TempFo 256,5 ºF

17 Bicarbonatos Bicar 355,5 mg/L

18 Índice de saturación de

cabeza Sic - 0,1025 ---

6

19 Presión de fondo PresFo 2535 psia

20 Temperatura de cabeza TempCab 130,5 ºF

21 Arena productora ArProd

BT, HP, TI+UI,

UI+TS ---

HS+TI, TI+TS, TS,

TS+TI, UI

7

22 Ácido sulfhídrico

gaseoso H2Sgas 5,5 ppm

23 Índice de saturación de

cabeza Sic - 0,4355 ---

24 Ácido sulfhídrico

gaseoso H2Sgas 8,5 ppm

25 Densidad API API 25,85 ---

8 28 Dióxido de carbono

gaseoso CO2gas 4,5 %

67


corrosiva de cabeza (continuación…)


9 29 Presión de cabeza PresCab 405,0 psia

10 30 Sodio Na 3 443,0 mg/L

11 31 Hierro Fe 158,375 mg/L

68

Figura 3.10. Árbol de decisión para tendencia corrosiva de cabeza

69

La corrosión en tuberías de extracción de petróleo y gas es un fenómeno favorecido

por la presencia de ciertas especies químicas y condiciones del medio que

favorecen que este mecanismo de degradación estructural aumente. El transporte

de petróleo y gas y sus derivados suele ir acompañado de partículas de arena y

agua que afectan negativamente a la tubería, acorde con Sun et al. (2017) la

corrosión es un problema recurrente en la industria petrolera, especialmente en un

entorno con presencia de ácido sulfhídrico (H2S) donde estas moléculas en

contacto con la superficie de la tubería forman productos corrosivos en forma de

película de óxido que es afectada directamente por estrés mecánico induciendo una

corrosión bajo tensión.

En general, especies como el oxígeno (O2) y el dióxido de carbono (CO2) junto con

iones minerales como el sodio (Na), magnesio (Mg), calcio (Ca) y cloro (Cl) permiten

que el agua dentro del fluido pueda condensarse generando un medio corrosivo

fuerte que afecta directamente a la superficie con la que entra en contacto

(Groysman, 2017, p.103). Los iones de hierro (Fe) provenientes de la corrosión de

la tubería o presentes dentro del fluido puede aumentar el proceso de corrosión y

generar depósitos (Thacker et al., 2010. p.1163). Además, la corrosión

electroquímica de metales en ácidos ocurre con depolarización de hidrógeno, la

cual por un aumento de la temperatura hace que el electrolito disminuya la carga

voltaica del hidrógeno generando una dependencia exponencial de la velocidad de

corrosión con la temperatura (Silvia y Fundora, 2014, p.43).

En la fase acuosa del fluido existe una mayor liberación de productos de corrosión,

lo que estimula que la formación de carbonato ferroso (FeCO3) sea cinéticamente

favorable. Al aumentar la temperatura, la tasa de corrosión inicial crece, sin

embargo, la cinética de la precipitación de carbonato ferroso (FeCO3) también

aumenta con la temperatura. En consecuencia, al formarse una película de

carbonato ferroso (FeCO3) sobre la superficie del acero, la tasa de corrosión

disminuye ya que se forma una barrera de difusión (Tanupabrungsun et al., 2013,

p.8), validando el criterio de decisión con base en la temperatura de cabeza

presente en más de un nivel del árbol de decisión neural de la tendencia corrosiva

de cabeza.

70

Hassani et al., (2011), estipularon que la solubilidad del dióxido de carbono (CO2)

en un medio acuoso depende de la temperatura y la concentración de cloruro de

sodio (NaCl), lo que implica que al aumentar la concentración en molalidad (m) de

cloruro de sodio (NaCl) a una temperatura constante se reduce la solubilidad del

dióxido de carbono (CO2) en el fluido, lo que implica una relación indirecta no

considerada en su conjunto por la función de asignación de importancia del

algoritmo clasificador y que se detalla en la Figura 3.9, pero presente de manera

individual en el árbol de decisión neural.

La cantidad de ácido carbónico disociado en bicarbonatos que actúa como

sustancia amortiguadora y el rango de pH pueden modificar el mecanismo de

corrosión de la superficie de la tubería en un medio de ácido sulfhídrico, para

valores de pH mayores a 8,5; en donde los productos de corrosión favorecen la

presencia de cavidades o picaduras (Papavinasam et al., 2002, p.17). Finalmente,

la presencia de sulfatos (SO4-2) aunque de naturaleza poco corrosiva son parte del

ciclo del azufre capaz de producir ácido sulfhídrico (H2S) (Sun et al., 2017, p.85).

La interacción de estas especies químicas sustenta la asignación de importancia

de los diferentes predictores realizadas por el modelo de árbol de decisión neural y

que se presenta en la Figura 3.10.

De forma complementaria, aunque estos predictores fueron evaluados en un inicio

por el algoritmo clasificador, la respuesta obtenida fue una suma del proceso interno

del algoritmo que tras recibir la información de entrada creó un conjunto de

funciones, en las que uno o más predictores pudieron ser empleados para obtener

una predicción con el mayor porcentaje de precisión.

Se desarrolló satisfactoriamente el árbol de decisión neural siguiendo la

arquitectura propuesta por Lee y Yen (2002) en donde un nodo de decisión puede

derivar en una respuesta o la conexión con otros dos nodos en un nivel inferior,

pero nunca una respuesta puede sustentarse con base en dos nodos de decisión

(Lee y Yen, 2002, p.115).

El modelo generado tuvo una tasa de acierto del 54,82 %. Después, se sometió al

algoritmo a un proceso de refinamiento en el cual se eliminaron nodos de decisión

71

que partían de predictores con información incompleta o que generaban una

respuesta no concluyente siguiendo el proceso de mejora estipulado por Roe et al.

(2005), de tal manera que la tasa de acierto mejoró hasta alcanzar el 63,97 %. La

cantidad de niveles y nodos de decisión requeridos por la red neuronal artificial

definitiva al igual que sus características se presentaron en la Tabla 3.11 y el árbol

de decisión generado se presentó en la Figura 3.10.

Tras realizar una inspección del árbol de decisión de tendencia corrosiva de cabeza

presentado en la Figura 3.8, el nodo de decisión del primer nivel tomó como

predictor la temperatura de perforación (TempFo) con el valor mínimo de

discernimiento de todos los niveles subsecuentes, el segundo nivel se enfocó a las

condiciones de operación de la parte superior del pozo, con un total de dos nodos,

el primero la temperatura de cabeza (TempCab) y el segundo la presión de cabeza

(PresCab). El tercer nivel presenta tres nodos que enlazan a un nivel inferior y

generan una respuesta como lo son el dióxido de carbono gaseoso (CO2(g)), el sodio

(Na) y el cloro (Cl), además de un nodo sin salida a la respuesta que usa como

criterio de discernimiento la densidad API (API).

El cuarto nivel consta de cinco nodos de decisión, tres de ellos aportan una

respuesta a la predicción de tendencia y enlazan a un nivel inferior, tomando como

predictores de discernimiento al hierro (Fe), sodio (Na) y calcio (Ca), los dos nodos

restantes se enlazan a nodos de decisión en un nivel inferior y usan como

predictores de discernimiento la arena productora (ArProd) y el valor de pH a

condiciones normales (pH). El quinto nivel tiene a su disposición cinco nodos de

decisión, tres de ellos generando sólo respuestas y usando a los predictores de

concentración de calcio (Ca), bicarbonatos (Bicar) y temperatura de fondo

(TempFo), el resto de nodos genera una respuesta y da paso a un nivel inferior

para lo cual se usaron como predictores de discernimiento la temperatura de

cabeza (TempCab) y el índice de saturación de cabeza.

El sexto nivel posee tres nodos de decisión, dos de ellos generando una respuesta

y enlazando a un nivel inferior los cuales son la presión de fondo (PresFo) y

temperatura de cabeza (TempCab), el tercer nodo de decisión utiliza como criterio

de discernimiento a nueve tipos de arena productora y enlaza al completo con el

72

nivel inferior. El séptimo nivel presentó cuatro nodos de decisión, tres de ellos

generan una predicción de tendencia utilizando como criterio de discernimiento la

concentración en partes por millón de ácido sulfhídrico (H2S(g)) para dos de ellos y

el índice de saturación de cabeza (Sic), el nodo restante genera la decisión con

base en el valor de densidad API (API) y enlaza a un nivel inferior.

El octavo nivel tuvo un nodo de decisión basado en el porcentaje de dióxido de

carbono gaseoso (CO2(g)) generando una respuesta y enlazando al nivel siguiente.

El noveno nivel generó la respuesta tomando el valor de la presión de cabeza

(PresCab) y enlazando a un nivel inferior. El décimo nivel utilizó como criterio de

discernimiento a la concentración de sodio (Na) y enlaza al undécimo y nivel final

con un nodo de decisión cuyo criterio de discernimiento es la concentración de

hierro (Fe).

3.3.3 DESEMPEÑO DE LOS MODELOS DE ÁRBOL DE DECISIÓN NEURAL

El porcentaje de acierto en la predicción para el árbol de decisión neural para la

tendencia incrustante de fondo es mayor al de su contraparte dedicado a la

tendencia corrosiva de cabeza debido a una disminución de la cantidad de ensayos

disponibles para conformar el conjunto de datos de entrenamiento, que afectó

sensiblemente la etapa de aprendizaje de la red neural. De igual manera tras

observar la Figura 3.4 que menciona la importancia de los predictores de la

tendencia incrustante de fondo dentro del algoritmo clasificador y las Tablas 3.2 y

3.3 en donde se hallan la cantidad de información faltante respecto a cada predictor

se pudo concluir que mientras menor sea la cantidad de datos ausentes y cuya

importancia es relevante dentro de la estructura de la red neural se puede obtener

un aprendizaje más sólido y valores más altos en la tasa de predicción.

En contraste, la base de datos dedica a la tendencia corrosiva de cabeza cuyas

características están en las Tablas 3.4 y 3.5 muestran una mayor cantidad de

ausencia de información en predictores considerados de mayor importancia como

73

se aprecia en la Figura 3.9, esto pudo generar asaciones de predictor(es)-respuesta

poco concluyentes que repercutieron en la calidad del algoritmo clasificador, lo que

generó fallos en la calidad de predicción a pesar de someter a la red neural a un

proceso de afinamiento, ya que una base de datos con una calidad de información

deficiente no puede generar un modelo de árbol de decisión neural con un

desempeño deseable.

Al comparar las tasas de acierto de la predicción del modelo de árbol de decisión

neural de la tendencia incrustante de fondo y la tendencia corrosiva de cabeza,

tomando en consideración que la primera base de datos tuvo 37 ensayos más que

la segunda, y que de la cantidad total de ensayos el 15 % fue separado como

conjunto de datos de prueba. Es posible afirmar que un aumento del 8 % de la

información contenida en la base de datos para el desarrollo de un árbol de decisión

neural (MADN) puede aumentar la tasa de acierto de la predicción en 19,48 %

3.4 VALIDACIÓN EXTERNA DE LA PREDICCIÓN GENERADA

POR EL ÁRBOL DE DECISIÓN NEURAL (MADN)

UTILIZANDO UN PROGRAMA DEDICADO

3.4.1 CLASIFICACIÓN DE INFORMACIÓN DESDE LA BASE DE DATOS PARA

VALIDACIÓN EXTERNA

Tras la clasificación de la base de datos se crearon dos nuevos conjuntos de

información con un total de 177 ensayos, 19 predictores y 1 respuesta. Los

conjuntos de información se exportaron a una hoja electrónica de Microsoft Excel

individual, guardándola bajo la etiqueta C_TendenciaIncrustante.xlsx y

C_TendenciaCorrosiva.xlsx, cuyas características se hallan resumidas en la Tabla

3.12.

74

Tabla 3.12. Características de la base de datos filtrada para la validación externa

Predictor Variable Unidades Valor

Tipo Mínimo Media Máximo

Sodio Na

mg/L

2 643 9 653 47 021

Cuan

tita

tivo

Magnesio Mg 24,0 257,6 7 226,6

Calcio Ca 156 1 300 11 528

Hierro Fe 1,12 19,50 338,00

Cloro Cl 4 940 17 200 92 000

Sulfato SO4 2,88 200 825

Bicarbonatos Bicar 195,2 597,8 2 769,4

pH Condiciones

normales pH --- 5,24 6,90 8,25

CO2(gas) CO2gas % 2 12 90

H2S(gas) H2Sgas ppm 1 10 150

Densidad API API --- 17,8 27,6 33,1

Temperatura de

perforación TempFo ºF 190 233 320

Temperatura de

cabeza TempCab ºF 94 182 245

Presión de

perforación PresFo psia 360 1 447 3 130

Presión de cabeza PresCab psia 10 126 410

Índice de saturación

de fondo Sif --- - 228,000 0,417 21,095

Índice de saturación

de cabeza

Sic --- - 1,500 0,265 2,407

Arena productora ArProd ---

BT

Cual

itat

ivo

BT+TI

HS+TI

TI

75

Tabla 3.12. Características de la base de datos filtrada para la validación externa

(continuación…)

Predictor Variable Unidades Valor Tipo

Mínimo Media Máximo

Arena productora ArProd ---

TI+TS

Cual

itat

ivo

TI+UI

TS

TS+TI

UI

US

US+UI

Respuesta

Tendencia incrustante

de cabeza TnIF ---

NSPD*

Cual

itat

ivo

LEVE

MODERADA

SEVERA

Tendencia corrosiva

de cabeza TnCc ---

LEVE

MODERADA

SEVERA

*No se producen depósitos

3.4.2 VALIDACIÓN EXTERNA CON EL PROGRAMA ScaleSoftPitzerTM (French

Creek)

3.4.2.1 Tendencia incrustante de fondo

Los resultados de la tasa de acierto de las predicciones de tendencia incrustante

para los 40 ensayos que conformaron la base de datos dedicada, tanto para la

respuesta generada por el árbol de decisión neural (MADN) como por el programa

ScaleSoftPitzerTM se presentan el Tabla 3.13.

76

Tabla 3.13. Tasa de aciertos de la validación externa para la predicción de la tendencia


MADN ScaleSoftPitzerTM

Tasa de acierto (%) 80,00 70,00

Se pudo apreciar que el porcentaje de predicciones correctas realizadas por el árbol

de decisión neural se mantuvieron sobre el 80 % y superaron a la predicción

realizada por el software externo, lo que implica que, para el análisis de la tendencia

incrustante de crudos ecuatorianos, el algoritmo de clasificación generado por la

red neuronal artificial tiene una precisión mayor que su contraparte, la cual presentó

una tasa de acierto del 70 %. La menor tasa de éxito de las predicciones realizadas

por el programa ScaleSoftPitzerTM puede ser adjudicada a que los criterios de

clasificación utilizados son una generalización de la tendencia de incrustación en

tuberías de extracción de petróleo localizadas en el continente europeo y que

dentro de las posibles predicciones de la tendencia incrustante, el programa no

contempla la posibilidad de que no se generen depósitos trabajando con tres

opciones de respuesta mientras que el algoritmo clasificador del MADN incluye esta

cuarta opción, además que el árbol de decisión neural desarrollado está

estrechamente ligado a las características del petróleo y condiciones de operación

de la industria ecuatoriana.

Se contrastó el número de coincidencias en la predicción realizada entre el árbol

de decisión neural y el programa ScaleSoftPitzerTM, con un porcentaje de similitud

del 55 % lo que implica que en el caso de realizar dos mediciones hipotéticas

utilizando el MADN y el programa dedicado en más de la mitad de los casos una

respuesta coincidirá y en el resto puede existir una coincidencia completa.

3.4.2.2 Tendencia corrosiva de cabeza

Los resultados de la tasa de acierto de las predicciones de tendencia corrosiva para

los 40 ensayos que conformaron la base de datos dedicada, tanto para la respuesta

77

generada por el árbol de decisión neural (MADN) como por el programa

ScaleSoftPitzerTM se presentan el Tabla 3.14.

Tabla 3.14. Tasa de aciertos de la validación externa para la predicción de la tendencia

corrosiva de cabeza

MADN ScaleSoftPitzerTM

Tasa de acierto (%) 45,50 50,00

Se pudo apreciar que las tasas de predicciones correctas realizadas por el árbol de

decisión neural obtuvo un acierto del 45,50 % superando la tasa de acierto de la

fase de prueba, pero manteniéndose por debajo de la predicción realizada por el

software externo, lo que implica que para el análisis de la tendencia corrosiva de

crudos ecuatorianos el algoritmo de clasificación generado por la red neuronal

artificial tiene una precisión menor que su contraparte, la cual presentó una tasa de

acierto del 50,00 %. La mayor tasa de éxito de las predicciones realizadas por el

software ScaleSoftPitzer se debe a que los criterios de clasificación utilizados tienen

una mejor estructura que la que posee el algoritmo clasificador del modelo de árbol

de decisión neural de la tendencia corrosiva en tuberías de extracción de petróleo.

Se contrastó el número de coincidencias en la predicción realizada entre el árbol

de decisión neural y el programa ScaleSoftPitzerTM, con un porcentaje de similitud

del 52,50 % lo que implica que en el caso de hacer dos mediciones hipotéticas

utilizando el MADN y el programa dedicado solo se podrá obtener una coinciden en

los resultados en la mitad de las ocasiones.

El mecánismo de predicción al no tratarse de un modelo físico o químico verificable

mediante ensayos en laboratorio. Debido a las caracteristicas de la propuesta de

esta investigación obligaron a plantear una metodología de verificación.

El método de validación planteó un método de verificaicón estadístico, basado en

la comprobación de la respuesta generada por el algoritmo clasificador con la

respuesta generada por el programa dedicado, con base en una serie de ensayos

seleccionados estratégicamente para garantizar la mayor fiabilidad de la respuesta

dentro del campo de aplicación de la investigación desarrollada. Este método

78

consistio en contrastar las respuestas de la implementación del programa sobre

una serie de datos de prueba, tras lo cual se examinó la respuesta del software y

su comportamiento operacinal, lo que permitió comprobar el desempeño y

contrastarlo con las especificaciones previamente establecidas.

Mediante el uso de esta metodología se obtuvo un desempeño satisfactorio y que

supero al programa dedicado en el caso de las predicciones de la tendencia

incrustante de fondo. Además, para las predicciones de la tendencia corrosiva de

cabeza hechas por el algoritmo clasificador desarrollado el comportamiento

esperado no alcanzo las expectativas planteadas, aunque una inspección del

programa generado permite atribuir su deficiencia en el proceso de clasificación a

la calidad de datos utilizada para construir el algoritmo clasificador.

79

CONCLUSIONES Y RECOMENDACIONES

4.1 CONCLUSIONES

El entrenamiento del modelo de árbol de decisión neural requiere de una

cantidad masiva de datos de diferentes categorías y condiciones. En esta

investigación la exactitud de la predicción generada está ligada

estrechamente con la información alimentada de los ensayos, con base en

esto es posible aseverar que mientras menos información contengan los

ensayos realizados la calidad de predicción será menor y la aparición de

asociaciones erróneas entre al par predictor(es)-respuesta aumentarán

dentro del algoritmo clasificador disminuyendo la tasa de acierto de la

predicción generada.

El árbol de decisión generado por la red neural artificial es presentado con

el fin de brindar una herramienta visual de reconocimiento para una

determinada observación facilitando la inspección visual y la obtención de la

predicción.

Para la predicción de la tendencia incrustante de fondo utilizando el árbol de

decisión neural (MADN) se pudo asumir que para valores bajos de

concentración de sodio e índice de saturación de fondo la tendencia a la

formación de depósitos es ninguna o leve.

Para la predicción de la tendencia incrustante de fondo utilizando el modelo

árbol de decisión neural (MADN) conforme la concentración de iones

minerales aumenta y el porcentaje de dióxido de carbono gaseoso (CO2(g))

supera el 6 % puede ocurrir una formación de depósitos entre leve y

moderada. Finalmente, si la concentración de ácido sulfhídrico gaseoso

(H2S(g)) aumenta a las 6,5 ppm y la concentración de sodio (Na) alcanza y

no supera los 5 179 mg/L la tendencia a formar depósitos minerales se

vuelva severa.

80

Es posible encontrar mayor formación de depósitos minerales en pozos de

extracción que presenten altas tasas de corrosión, debido a que la formación

de productos de corrosión estimula la sedimentación de moléculas

minerales.

Para la predicción de la tendencia corrosiva de cabeza utilizando el modelo

de árbol de decisión neural (MADN) se pudo observar una relación entre las

condiciones de perforación del pozo y el fenómeno de corrosión, observable

en el primer nodo de decisión donde se utiliza la temperatura de perforación.

Para la tendencia incrustante de cabeza las condiciones de operación en la

parte de superior del pozo condicionan el camino dentro de la estructura del

árbol de decisión lo que implica que la corrosión bajo tensión es uno de los

mecanismos de pérdida de integridad estructural relevantes dentro del

proceso corrosivo de las tuberías.

La tasa de éxito de predicción de la validación externa del árbol de decisión

neural (MADN) para la tendencia incrustante de fondo superó el desempeño

del programa dedicado al mismo propósito, en un 10 %. En contraposición,

la tasa de éxito de la predicción de la tendencia corrosiva de cabeza fue

superada por el programa dedicado por un margen del 4,5 %. Para ambos

casos el objeto de estudio fue petróleo y gas extraído dentro del ámbito de

la industria petrolera ecuatoriana.

La diferencia positiva de la tasa de acierto de la tendencia incrustante de

fondo al ser validada la ratifican como un mecanismo plausible y

complementario para la determinación de la formación de depósitos

minerales en tuberías de extracción de crudo en pozos ecuatorianos.

La proximidad de la tasa de acierto entre el árbol de decisión neural para la

tendencia corrosiva de cabeza y el programa dedicado indican que los

criterios mediante los cuales se generan la respuesta no se ajustan a las

condiciones de operación de la industria petrolera ecuatoriana lo que genera

la respuesta errónea, mientras que al algoritmo clasificador se le puede

81

atribuir su fallo debido a la calidad y cantidad de información suministrada

para su generación que no abarca todos los aspectos del fenómeno dentro

del ámbito de la extracción de crudo ecuatoriano.

Las principales ventajas en el uso de modelos de árbol de decisión neural

son: i) velocidad: la estimación de las predicciones de tendencia se calcula

instantáneamente y es apropiada para la aplicación en tiempo real y ii)

economía y simplicidad: reducción de costos operativos y medición en

dispositivos.

4.2 RECOMENDACIONES

Crear y asistir en un proceso de recolección de información de análisis

fisicoquímicos y condiciones de operación de tuberías de extracción de

petróleo de diferentes pozos con el fin de garantizar la creación de una base

de datos de mayor calidad que mejore el proceso de entrenamiento en el

desarrollo de modelos de árboles de decisión neural.

La incompatibilidad de aniones y cationes en el agua empleada en los

procesos de extracción es una de las causas principales de la formación de

depósitos minerales. Por lo tanto, controlar la salinidad de las aguas de los

campos petroleros antes de la inyección de agua juega un papel fundamental

en la exploración y producción de petróleo y gas.

La deposición mineral sobre superficies es un proceso de cristalización, y las

estrategias para su prevención y control, ya sea en aspectos críticos o no

dentro de la implementación de seguridad en la industria, debe sustentarse

en una comprensión del proceso y qué parámetros en la superficie, en la

interfaz fluido/superficie y en el fluido a granel afectan a la deposición

mineral.

82

Se recomienda crear un formato para el ingreso de la información de los

análisis fisicoquímicos y condiciones de operación de la extracción de

petróleo y gas para agilizar la transcripción de las mediciones y disminuir la

aparición de incongruencias generadas para un mismo análisis o medición.

Se recomienda probar diferentes porcentajes de partición de la base de

datos para generar el subconjunto de entrenamiento y el subconjunto de

prueba durante el desarrollo de una red neural artificial ya que el fenómeno

asociado puede necesitar más información que validación para generar un

algoritmo capaz de brindar una respuesta fiable.

Se recomienda que en la etapa de refinamiento se empiece extrayendo un

mínimo de 2 nodos de decisión y se continúe aumentando este número

siempre contrastando el porcentaje de predicción, hasta obtener la

configuración correcta entre partición de la base de datos y nodos extraídos

que entreguen la mayor tasa de acierto de la predicción

Se alienta a mantener una comunicación con las empresas encargadas de

realizar los análisis fisicoquímicos del petróleo y gas y las condiciones de

operación para aumentar el tamaño de la base de datos que tras un

subsecuente proceso de entrenamiento podría generar redes neuronales

artificiales con algoritmos de clasificación más robustos.

Se debe tomar en cuenta que las redes neuronales artificiales desarrolladas

dentro de un computador pueden tener mínimas variaciones cuando son

exportadas a otros sistemas operativos.

Se propone incluir en una investigación futura un criterio de recolección de

información más estricto con el fin de disminuir la cantidad de información

ausente y prevenir las asociaciones erróneas del algoritmo clasificador

durante el proceso de entrenamiento de la red neuronal artificial.

En una futura investigación complementaria se propone utilizar el esquema

del modelo de árbol de decisión neural desarrollado para realizar

83

predicciones sobre diferentes fenómenos y condiciones de producción

dentro de la industria del petróleo y gas.

Se recomienda examinar con mayor rigurosidad las debilidades y fortalezas

de las diferentes etapas del desarrollo de la red neural artificial, así como los

factores que influyen en la extracción del gas y petróleo, como son el flujo

volumétrico de los fluidos que pasan a través de la tubería y la cantidad

medida y calculada de los sólidos disueltos (TSD) presentes en el fluido.

84

BIBLIOGRAFÍA

1. Abd El Salam Abd El Aleem, F., S. Al-Mutaz, I., y Al-Arifi, A. (2011). Corrosion

and Scale Formation Problems in Water Systems. Sustainable Water and

Environmental System, 1–6.

2. Andrej Krenker, Bester, J., y Kos, A. (2011). Introduction to the Artificial Neural

Networks, In: Suzuki K (ed), Artificial Neural Networks: Methodological

Advances and Biomedical Applications. InTech,

3. ASTM-D1293. (2018). Standard Test Methods for pH of Water. doi:

10.1520/D1293/18

4. ASTM-D2505. (2015). Standard Test Method for Ethylene, Other Hydrocarbons,

and Carbon Dioxide in High-Purity Ethylene by Gas Chromatography.

doi:10.1520/D2505-88R15

5. ASTM-D2622. (2016). Standard Test Method for Sulfur in Petroleum Products

by Wavelength Dispersive X-ray Fluorescence Spectrometry e. doi:

10.1520/D2622-16

6. Attaway, S. (2009). Matlab: a Practical Introduction to Programming and

Problem Solving (3rd ed.). Boston: Elsevier Inc.

7. Beale, M. H., Hagan, M. T., y Demuth, H. B. (2010). Neural Network Toolbox TM

7 User ’ s Guide (11th ed.). Natick: MathWorks.

8. BinMerdhah, A. B., Yassin, A. A. M., y Muherei, M. A. (2010). Laboratory and

prediction of barium sulfate scaling at high-barium formation water. Journal

of Petroleum Science and Engineering, 70(1–2), 79–88. doi:

10.1016/j.petrol.2009.10.001

9. Busch, N. A., y Micheli-Tzanakou, E. (2009). Neural network design:

Methodology. IJCNN Int Jt Conf Neural Network (6th ed.). Texas.

10. Chang, R. (2002). Quimica General (7th ed.). Atlampa: McGraw-Hill.

11. Enani, J. (2010). Corrosion control in oil and gas pipeline. Pipeline and Gas

Journal, 237(3), 1161–1164. Recuperado de

https://www.ijser.org/researchpaper/Corrosion-control-in-oil-and-gas-

85

pipelines.pdf (noviembre, 2019)

12. Fink, J. (2012). Petroleum engineer’s guide to oil field chemicals and fluids (1st

ed.). Waltham: Elsevier Inc.

13. Fyfe, C. (2012). Artificial Neural Netwoks (7th ed.). Paisley: University of

Paisley.

14. Gollapudi, S. (2016). Practical Machine Learning. Tackle the real-world

complexities of modern machine learning with innovative and cutting-edge

techniques. Packt Publishing (1st ed.). Birmingham: Packt Publishing. doi:

10.1088/1751-8113/44/8/085201

15. Groysman, A. (2017). Corrosion problems and solutions in oil, gas, refining and

petrochemical industry. Israeli Society of Chemical Engineers y Chemists,

61(3), 100–117. doi: 10.1515/kom-2017-0013

16. Guo, B., Song, S., Ghalambor, A., y Tian Ran, L. (2014). Offshore pipelines:

design, installation, and maintenance. Offshore Pipelines. doi:

10.1016/B978-075067847-6/50061-5

17. Hach. (2014). Iron, total, ferrover method 8008, powder pillows or accuvac

ampuls, iron, total, ferrover method 8008, powder pillows or accuvac

ampuls, dr300 and pocket colorimeter. Recuperado de

https://latam.hach.com/quick.search-

download.search.jsa?keywords=8008 (noviembre, 2019)

18. Hach. (2015a). Carbon dioxide, digital titrator using sodium hydroxide method

8205. Recuperado de

https://www.fondriest.com/pdf/hach_digital_titrator_manual.pdf

(noviembre, 2019)

19. Hach. (2015b). Chloride, silver nitrate method 8207. Recuperado de



20. Hach. (2015c). Hardness, calcium, titration method using edta method 8204,

digital titrat. Recuperado de https://latam.hach.com/quick.search-


86

21. Hach. (2015d). Hardness, total, titration using edta method 8213. Recuperado

de https://latam.hach.com/quick.search-


22. Hach. (2018a). Alkalinity, phenolphthalein and total alkalinity method 8203.

Recuperado de https://latam.hach.com/quick.search-


23. Hach. (2018b). Sulfato, analizadores de sulfato de la serie ez4000: valoración

automática en continuo de sulfato en aplicaciones de control de aguas,

analizadores de sulfato de la serie ez1000: mediciones colorimétricas en

continuo de sulfato en aplicaciones industriale. Recuperado de


download.search.jsa?keywords=sulfato (noviembre, 2019)

24. Hassani, S., Roberts, K. p., Shirazi, S. A., Shadley, J. R., y Rybicki, E. F. (2011).

Flow Loop Study of Chloride Concentration Effect on Erosion, Corrosion

and Erosion-Corrosion of carbon Steel in CO2 Saturated Systems. One

Petro, (11237), 1–17.Recuperado de

https://www.onepetro.org/conference-paper/NACE-11237 (octubre, 2019)

25. Haykin, S. (2008). Neural Networks a Comprehensive Foundation (5th ed.).

Canada: Pearson Education.

26. Hurwitz, J., Kirsch, D., y Wiley, J. (2018). Machine Learning. John Wiley y Sons,

Inc. (1st ed.). United States of America: IBM.

27. Kamal, M. S., Hussein, I., Mahmoud, M., Sultan, A. S., y Saad, M. A. S. (2018).

Oilfield scale formation and chemical removal: A review. Journal of

Petroleum Science and Engineering, 171(July), 127–139. doi:

10.1016/j.petrol.2018.07.037

28. Kan, A. T., y Tomson, M. B. (2012). Scale prediction for oil and gas production.

SPE Journal, 17(2), 362–378. doi: 10.2118/132237-PA

29. Kannan, p., Jithinraj, p., y Natesan, M. (2018). Multiphasic inhibition of mild

steel corrosion in H 2 S gas environment. Arabian Journal of Chemistry,

7(1), 388–404. doi: 10.1016/j.arabjc.2014.10.032

30. Kim, p. (2017). MATLAB Deep Learning: With Machine Learning, Neural

87

Networks and Artificial Intelligence. Library of Congress Control Number

(1st ed.). New York: Apress. doi: 10.1007/978-1-4842-2845-6

31. Krose, B., y Smagt, p. Van Der. (2007). An introduction to Neural Networks (8th

ed.). Amsterdam.

32. Lee, Y. S., y Yen, S.-J. (2002). Neural-based approaches for improving the

accuracy of decision trees. Lecture Notes in Computer Science (Including

Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in

Bioinformatics), 2454 LNCS, 114–123. doi: 10.1007/3-540-46145-0_12

33. Lyons, W. C. (2005). Standard Handbook of Petroleum e Natural Gas

Engineering. (W. Lyons y G. Plisga, Eds.) (2nd ed.). Burlington: Elsevier

Inc.

34. Mackay, B., Jackson, J. E., Melot, D., Scheie, J., y Vittonato, J. (2016). La

corrosión : La lucha más extensa. Oilfield Review, 28(2), 36–51.

Recuperado de https://www.slb.com/-/media/files/oilfield-review/03-

corrosion-spanish (noviembre, 2019)

35. Matlab. (2019). Delete neural inputs, layers, and outputs with sizes of zero -

MATLAB prune. Recuperado de

https://www.mathworks.com/help/deeplearning/ref/prune.html?searchHigh

light=pruneys_tid=doc_srchtitle (octubre, 2019)

36. Naili. K. (2010). Corrosion and its Mitigation in the Oil y Gas Industry – An

Overview. Petromin Pipeliner, 10–16. Recuperado de

https://onlinelibrary.wiley.com/doi/pdf/10.1002/9781118162569.app6

(octubre, 2019)

37. Nelson, L., y Avijit, D. (2004). Tratamiento de vertidos industriales y peligrosos

(5th ed.). Madrid: DiazdeSantos.

38. Neville, A. (2012). Surface scaling in the oil and gas sector: Understanding the

process and means of management. Energy and Fuels, 26(7), 4158–4166.

doi: 10.1021/ef300351w

39. Nilsson, N. J. (2005). Introduction to Machine Learning An Early Draft of

A Proposed (1st ed.). Stanford.

88

40. Olajire, A. A. (2015). A review of oilfield scale management technology for oil

and gas production. Journal of Petroleum Science and Engineering, 135,

723–737. doi: 10.1016/j.petrol.2015.09.011

41. Papavinasam, S., Doiron, A., Li, J., Park, D.-Y., y Liu, p. (2002). Sour and sweet

corrosion of carbon steel: general or pitting or localized or all of the above?

One Petro, 4(2), 111–116. Recuperado de

https://www.onepetro.org/conference-paper/NACE-10332 (noviembre,

2019)

42. Pei, G., Wang, C., y Liu, L. (2014). Experimental study on the cause of inorganic

scale formation in the water injection pipeline of tarim oilfield. Journal of

Chemistry, 2014, 1–4. doi: 10.1155/2014/619834

43. Peng, C. Y., Ferguson, J. F., y Korshin, G. V. (2013). Effects of chloride, sulfate

and natural organic matter (NOM) on the accumulation and release of trace-

level inorganic contaminants from corroding iron. Water Research, 47(14),

5257–5269. doi: 10.1016/j.watres.2013.06.004

44. Popoola, L. T., Grema, A. S., Latinwo, G. K., Gutti, B., y Balogun, A. S. (2013).

Corrosion problems during oil and gas production and its mitigation.

International Journal of Industrial Chemistry, 4(1), 1–15. doi: 10.1186/2228-

5547-4-35

45. Prabha, S., Rathish, R., Dorothy, R., Brindha, G., Pandiarajan, M., Al-Hashem,

A., y Rajendran, S. (2014). Corrosion problems in petroleum industry and

their solution. European chemestry. 3, 300–307. Recuperado de

https://www.researchgate.net/publication/260383261_CORROSION_PRO

BLEMS_IN_PETROLEUM_INDUSTRY_AND_THEIR_SOLUTION_S_San

thana_Prabhaa_R_Joseph_Rathishb_R_Dorothyb_GBrindhac_M_Pandia

rajand_Abdulameed_Al-Hasheme_and_SRajendrancd (noviembre, 2019)

46. Raiger lustman, L., y López, N. (2009). Los biosurfactantes y la industria

petrolera. QuímicaViva, 3(3), 146–161. Recuperado de

www.quimicaviva.qb.fcen.uba.ar%0ARevista (noviembre, 2019)

47. Roe, B. p., Yang, H. J., Zhu, J., Liu, Y., Stancu, I., y McGregor, G. (2005).

Boosted decision trees as an alternative to artificial neural networks for

89

particle identification. Nuclear Instruments and Methods in Physics

Research, Section A: Accelerators, Spectrometers, Detectors and

Associated Equipment, 543(2–3), 577–584. doi:

10.1016/j.nima.2004.12.018

48. Sandrine, p., Laurent, A., y Vuataz, F.-D. (2007). Review on chemical

stimulation techniques in oil industry and applications to geothermal

systems. Deep Heat Mining Association, (28), 1–32. Recuperado de

http://www.researchgate.net/profile/Laurent_Andre/publication/242777466

_Review_on_chemical_stimulation_techniques_in_oil_industry_and_appli

cations_to_geothermal_systems/links/5490202c0cf214269f26552d.pdf

(diciembre, 2019)

49. Shalev-Shwartz, S., y Ben-David, S. (2014). Understanding machine learning:

From theory to algorithms. Understanding Machine Learning: From Theory

to Algorithms (1st ed., Vol. 9781107057). Cambridge: Cambridge University

Press.

50. Silvia, D., y Fundora, G. (2014). Fundamentos de la Corrosión y Protección de

Metales. Revista de La Universidad de Cienfuegos “Carlos Rafael

Rodríguez,” 117. Recuperado de

https://www.upv.es/materiales/Fcm/Fcm12/fcm12_2.html (noviembre,

2019)

51. Smola, A., y Vishwanathan, S. (2009). Introduction to Machine Learning.

University Press, Cambridge (1st ed., Vol. I). Cambridge: Cambridge

University Press.

52. Sun, F., Ren, S., Li, Z., Liu, Z., Li, X., y Du, C. (2017). Comparative study on

the stress corrosion cracking of X70 pipeline steel in simulated shallow and

deep sea environments. Materials Science and Engineering A, 685(October

2016), 145–153. doi: 10.1016/j.msea.2016.12.118

53. Sun, W. (2006). Kinetics of iron carbonate and iron sulfide scale formation in

co2/h2s corrosion. Transportation. Russ College of Engineering and

Technology of Ohio University

54. Tanupabrungsun, T., Brown, B., y Nesic, S. (2013). Effect of pH on CO2

90

corrosion of mild steel at elevated temperatures. NACE - International

Corrosion Conference Series, (2348), 1–11. Recuperado de

http://www.icmt.ohio.edu/documents/NACE2013/NACE2013-

Paper%202348_Tanupabrungsun.pdf (noviembre, 2019)

55. Unueroh, U., Omonria, G., Efosa, O., y Awotunde, M. (2016). Pipeline Corrosion

Control in Oil and Gas Industry: a Case Study of Nnpc/Ppmc System 2a

Pipeline. Nigerian Journal of Technology, 35(2), 1161-1164. doi:

10.4314/njt.v35i2.11

56. Vallejo, M. L. (2011). Predicción y control de incrustaciones minerales en pozos

petroleros. Instituto Politécnico Nacional de México.

57. Vázques, M. (2018). La Corrosión. El peor de los villanos cuando dominan los

metales. Tecnologia industrial II (1st ed.). Mar del Plata: Universidad

Nacional de Mar del Plata.

58. Veelenturf, L. (2008). Analysis and Applications of Artificial Neural Networks

(5th ed.). London: Prentice Hall.

59. Viñuela, p., y Galván León, I. (2009). Redes de Neuronas Artificiales. Un

enfoque práctico (4th ed.). Madrid.

60. York, J. D., y Firoozabadi, A. (2009). Effect of brine on hydrate

antiagglomeration. Energy and Fuels, 23(6), 2937–2946. doi:

10.1021/ef800937p

61. Zerpa, L. (2013). A practical model to predict gas hydrtae formation, dissociation

and transportability in oil and gas flowlines. Colorado School of Mines.

62. Zheng, H., y Pu, C. (2019). Comprehensive Research of Scaling Prediction for

Gas Reservoir Fluid considering Phase State. Geofluids, 2019(1), 1–13.

doi: 10.1155/2019/5067345

91

ANEXOS

92

ANEXO I

ANÁLISIS FISICOQUÍMICOS Y CONDICIONES DE OPERACIÓN

DE TUBERÍAS DE EXTRACCIÓN DE PETRÓLEO

Se detallan en su formato original la información de los análisis fisicoquímicos del

petróleo y gas; y condiciones de operación del porceso de extracción, cedida por

las empresas de servicios petroleros.

AI.1. INFORMACIÓN CEDIDA POR INTEROC

Las Figuras AI.1, AI.2 y AI.3 se presenta la información recolectada de la estación

central de Sushufindi, donde se detalla la localización y pozo de su procedencia.

Figura AI.1. Análisis fisicoquímico de petróleo y gas; y condiciones de operación de

estación Shushufindi, campo central (Ensayos del 1 al 12)

93



c)



94

En las Figuras AI.4 y AI.5 se presenta la información recolectada de la estación

Aguarico de Sushufindi, donde se detalla la localización y pozo de su procedencia.



95



En la Figura AI.6 y AI.7 se presenta la información recolectada de la estación Drago

de Sushufindi, donde se detalla la localización y pozo de su procedencia.

96


estación Shushufindi, campo Drago (Ensayos del 1 al 9)


estación Shushufindi, campo Drago (Ensayos del 10 al 21)

97

En la Figura AI.8 se presenta la información recolectada de la estación Suroeste de

Sushufindi, donde se detalla la localización y pozo de su procedencia.


estación Shushufindi, campo Suroeste

En la Figura AI.9 se presenta la información recolectada de la estación Sur de

Sushufindi, donde se detalla la localización y pozo de su procedencia.


estación Shushufindi, campo Sur

98

AI.2. INFORMACIÓN CEDIDA POR TECPETROL S.A.

En las Figuras AI.10 hasta AI.33 se presenta la información recolectada del bloque

petrolero 21, en los que se detalla los análisis fisicoquímicos y condiciones de

operación.

Figura AI.10. Análisis fisicoquímico de petróleo y gas; y condiciones de operación del

bloque petrolero 21 (Ensayos del 1 al 14)



99





100





101





102





103





104





105





106





107





108





109





110

AI.3. INFORMACIÓN CEDIDA POR PETROAMAZONAS EP

En las Figuras AI.34 hasta AI.44 se presenta la información recolectada por

Petroamazonas EP, asistida por la empresa de servicios petroleros INTEROC, de

diferentes pozos de extracción de petróleo y gas de la Amazonía ecuatoriana.


pozos explotados por Petroamazonas EP (Ensayos del 1 al 4)



111





112





113





114





115



116

ANEXO II

GENERACIÓN DE LA BASE DE DATOS Y DISCRIMINACIÓN DE

LA INFORMACIÓN PERTENECIENTE A PREDICTORES Y

RESPUESTAS

AII.1. BASE DE DATOS

Las Figuras AII.1 hasta AII.11 presentan la estructura de la base de datos generada

de la trascripción de la información levantada de los ensayos fisicoquímicos del

petróleo y gas, y las medidas de las condiciones de operación de las tuberías de

extracción.

Figura AII.1. Base de datos (Ensayos desde 1 al 80)

117


118


119


120


121


122


123


124


125


126


127

AII.2 CÓDIGO DE PROGRAMACIÓN UTILIZADO EN MATLAB PARA

ESTRUCTURAR LA BASE DA DATOS

El código de programación presentado permite exportar la hoja electrónica de Excel

al entorno de Matlab, requiriendo que tanto el código como la hoja se encuentren

en la misma carpeta. Además, tiene como función complementaria establecer las

propiedades de la información acorde con los requerimientos del programa, genera

una base de datos dedicada a cada uno de los modelos de redes neuronales

predictivos y proporcionar información respecto a las características de los

predictores y respuestas contenidas en la base de datos original.

%% Evaluación de propiedades de la base de datos

clc

clear

% Leer la base de datos

BD = readtable('Base_Datos.xlsx');

% Definir las propedades de la base de datos

BDvars = BD.Properties.VariableNames;

% Transformar las variables cualitativas de la base de datos

en categorias

BD.ArProd = categorical(BD.ArProd);

TipArProd = categories(BD.ArProd);

BD.TnIF = categorical(BD.TnIF);

TipTnIF = categories(BD.TnIF);

BD.TnCc = categorical(BD.TnCc);

TipTncC = categorical(BD.TnCc);

% Quitar los predictores con información insuficiente

BD =

removevars(BD,{'Ba','TDSCalc','TDSMed','CO2agua','H2Sagua',

'AcCarb'});

% Extraer del banco de datos todos los predictores

% Tendencia incrustante de fondo

BDdata1 = BD(:,1:end-2);

% Tendencia corrosiva de Cabeza

BDdata2 = BD(1:423,1:end-2);

% Extrae de la base de datos las respuestas y la vuelve una

tabla

% individual


128

RespTnIF = BD(:,end-1);


RespTnCc = BD(1:423,end);

% Empata la base de datos con una sola respuesta


DataN1 = [BDdata1 RespTnIF];


DataN2 = [BDdata2 RespTnCc];

% Resumen de características de los predictores


sum1= summary(DataN1);


sum2 = summary(DataN2);

129

ANEXO III

DESARROLLO DEL MODELO DE ÁRBOL DE DECISIÓN NEURAL

(MADN)

Para el correcto funcionamiento de los códigos presentados todos los recursos que

el entorno de Matlab exporte deben encontrarse en la misma carpeta contenedora.

AIII.1 MODELO DE ÁRBOL DE DECISIÓN NEURAL (MADN) PARA LA

TENDENCIA INCRUSTANTE DE FONDO

Se presenta el script destinado a la generación del modelo de árbol de decisión

neural (MADN) para la tendencia incrustante de fondo.

%% No borrar este comando. Cronometra el tiempo de

procesamiento

tic

%% Modelo de árbol de decisón neural (MADN)


%% Inicio de la partición






en categorias






TipTncC = categories(BD.TnCc);


BD =

removevars(BD,{'Ba','TDSCalc','TDSMed','CO2agua','H2Sagua','A

cCarb'});


BDdata = BD(:,1:end-2);

130


tabla

% individual

% Tendencia incrustante Fondo

RespTF = BD(:,end-1);

%% Empata la base de datos con una sola respuesta

DataN1 = [BDdata RespTF];

sum = summary(DataN1);

%% Inicio de partición categórica

pt1 = cvpartition(DataN1.TnIF,'HoldOut',0.15);

DataN1Train = DataN1(training(pt1),:);

DataN1Test = DataN1(test(pt1),:);

% Despliega las propiedades de la partición

disp('Tendencia incrustante Fondo')

disp(['Observaciones originales: ',num2str(height(DataN1))])

disp([' + ',num2str(height(DataN1Train)),' Observaciones de

entrenamiento'])

disp([' + ',num2str(height(DataN1Test)),' Observaciones de

prueba'])

%% Crear un modelo clasificador en base a árbol de decisión

rng(1); % Para reproducibilidad

%Optimice la pérdida de validación cruzada del clasificador,

utilizando los

%datos en medias para predecir la respuesta en especies.

mdl1 =

fitctree(DataN1Train,'TnIF','OptimizeHyperparameters','auto')

;

%% Reducir el nivel del model de predicción y reevaluar la

perdida

mdlPruned1 = prune(mdl1,'Level',2);

%% Visualización del árbol de decisión

view(mdlPruned1,'mode','graph');

%% Estimación de la importancia de los predictores

imp = predictorImportance(mdlPruned1);

figure;

bar(imp,'FaceColor',[0 .5 .5],'EdgeColor',[0 .9

.9],'LineWidth',1.5);

title('Predictor Importance Estimates (Incrustation)');

131

ylabel('Estimation');

xlabel('Predictors');

h = gca;

h.XTickLabel = mdlPruned1.PredictorNames;

h.XTickLabelRotation = 270;

h.TickLabelInterpreter = 'none';

%% Propiedades de la red neuronal

whos mdl1

whos mdlPruned1

%% Determinar la perdida del clasificador

errTree1 = loss(mdl1,DataN1Test);

disp(['La perdida del calsificador de Tendencia incrustante

Fondo es: ',num2str(errTree1)])

%% Perdida del clasificador

errTreePruned1 = loss(mdlPruned1,DataN1Test);

disp(['La perdida del clasificador reducido de Tendencia

incrustante Fondo es: ',num2str(errTreePruned1)])

%% Generador de predicciones

TPred1 = readtable('C_TendenciaIncrustante.xlsx');

BDPred = TPred1(1:40,1:end-1);

Pred = predict(mdlPruned1,BDPred);


procesamiento

Toc

AIII.2 MODELO DE ÁRBOL DE DECISIÓN NEURAL (MADN) PARA LA

TENDENCIA CORROSIVA DE CABEZA

Se presenta el script destinado a la generación del modelo de árbol de decisión

neural (MADN) para la tendencia corrosiva de cabeza.


procesamiento

tic

%% Modelo de árbol de decisón neural (MADN)

% Tendencia corrosiva de cabeza

%% Inicio de la partición

132






en categorias






TipTncC = categories(BD.TnCc);


BD =


cCarb'});


BDdata2 = BD(1:423,1:end-2);


tabla

% individual

% Tendencia incrustante Fondo


%% Empata la base de datos con una sola respuesta



%% Inicio de partición categórica

pt1 = cvpartition(DataN2.TnCc,'HoldOut',0.25);

DataN2Train = DataN2(training(pt1),:);

DataN2Test = DataN2(test(pt1),:);

% Despliega las propiedades de la partición

disp('Tendencia incrustante Fondo')

disp(['Observaciones originales: ',num2str(height(DataN2))])

disp([' + ',num2str(height(DataN2Train)),' Observaciones de

entrenamiento'])

disp([' + ',num2str(height(DataN2Test)),' Observaciones de

prueba'])

%% Crear un modelo clasificador en base a árbol de decisión

rng(1); % Para reproducibilidad

133

%Optimice la pérdida de validación cruzada del clasificador,

utilizando los

%datos en medias para predecir la respuesta en especies.

mdl2 =

fitctree(DataN2Train,'TnCc','OptimizeHyperparameters','auto')

;

%% Reducir el nivel del model de predicción y reevaluar la

perdida

mdlPruned2 = prune(mdl2,'Level',3);

%% Visualización del árbol de decisión

view(mdlPruned2,'mode','graph');

%% Estimación de la importancia de los predictores

imp = predictorImportance(mdlPruned2);

figure;

bar(imp,'FaceColor',[0 .5 .5],'EdgeColor',[0 .9

.9],'LineWidth',1.5);

title('Predictor Importance Estimates (Corrosión)');

ylabel('Estimation');

xlabel('Predictors');

h = gca;

h.XTickLabel = mdlPruned2.PredictorNames;

h.XTickLabelRotation = 270;

h.TickLabelInterpreter = 'none';

%% Propiedades de la red neuronal

whos mdl2

whos mdlPruned2

%% Determinar la perdida del clasificador

errTree2 = loss(mdl2,DataN2Test);

disp(['La perdida del calsificador de Tendencia corrosiva de

cabeza es: ',num2str(errTree2)])

%% Perdida del clasificador

errTreePruned2 = loss(mdlPruned2,DataN2Test);

disp(['La perdida del clasificador reducido de Tendencia

corrosiva de cabeza es: ',num2str(errTreePruned2)])

%% Generador de predicciones

TPred2 = readtable('C_TendenciaCorrosiva.xlsx');

134

BDPred2 = TPred2(1:40,1:end-1);

Pred2 = predict(mdlPruned2,BDPred2);


procesamiento

toc

135

ANEXO IV

VALIDACIÓN EXTERNA

Se detalla la generación del código cuyo objetivo es el realizar un filtrado de la base

datos con el fin de remover de la misma todos aquellos ensayos que presentaban

ausencia de información en sus predictores y respuestas, también se pone a

disposición la hoja electrónica de Microsoft Excel generada.

Toda la información presente ha sido empleada para la validación externa de la

calidad de predicción del modelo de árbol de decisión neural (MADN) con el

programa ScaleSoftPitzerTM.

AIV.1 CÓDIGO PARA LA GENERACIÓN DE BASE DE DATOS FILTRADA DE

INFORMACIÓN AUSENTE

El código descrito a continuación realiza una selección de los ensayos con

información completa tanto en los predictores y respuestas, generando dos hojas

electrónicas por separado para la tendencia incrustante de fondo y la tendencia

corrosiva de cabeza.

%% Evaluación de propiedades de la base de datos

clc

clear






en categorias






136

TipTncC = categorical(BD.TnCc);


BD =


cCarb'});



BDdata1 = BD(:,1:end-2);


BDdata2 = BD(1:423,1:end-2);


tabla

% individual


RespTnIF = BD(:,end-1);



% Empata la base de datos con una sola respuesta


DataN1 = [BDdata1 RespTnIF];



% Resumen de características de los predictores


sum1= summary(DataN1);



%% Extracción de ensayos con predictores completos

% Reconocimiento de valores en blanco

ix1 = ismissing(DataN1);

ix2 = ismissing(DataN2);

% Crear una base de datos sólo con observaciones completas


T1 = rmmissing(DataN1);


T2 = rmmissing(DataN2);

%Resumen de características


sum3= summary(T1);


sum4 = summary(T2);

137

%% Información a excel

fileName1 = 'C_TendenciaIncrustante.xlsx';

fileName2 = 'C_TendenciaCorrosiva.xlsx';

writetable(T1,fileName1)

writetable(T2,fileName2)

AIV.2 HOJAS ELECTRÓNICAS DE EXCEL GENERADAS POR EL CÓDIGO DE

SELECCIÓN DE INFORMACIÓN

AIV.2.1 Tendencia incrustante de fondo

La Tabla AIV.1 presenta la base de datos dedicada a la tendencia incrustante de

fondo tras la selección de información realizada por el código descrito, conformada

por los 40 primeros ensayos.

13

8

Tabla AIV.1. Base de datos destinada a la validación externa de la tendencia incrustante de fondo

Cl

SO

4

Bica

r

AcC

arb

pH

CO

2(g

as)

H2 S

(ga

s)

ArP

rod

AP

I

Tem

pF

o

Tem

pC

ab

PresF

o

PresC

ab

Sif

Sic

Tn

IF

8 300 275 1 317,6 19 5,98 79 24 TI+TS 25,7 227,00 212 2 169 145 0,350 0,010 MODERADA

15 150 100 451,4 74 6,81 7 6 BT+TI 25,7 227 212 2 169 145 0,433 -0,187 MODERADA

8 400 250 1 317,6 34 6,98 22 14 TI 32,8 236 160 1 474 70 0,608 0,620 SEVERA

15 950 162 378,2 29 6,36 10 3 TI 32,9 234 107 1 001 170 -0,020 -0,530 NSPD

6 800 300 2 318,0 32 6,35 70 14 TI 30,9 234 141 948 180 0,765 -0,018 SEVERA

21 050 112 523,0 74 6,76 17 13 UI 25,4 237 130 1 282 120 -0,322 -0,177 NSPD

13 100 325 756,4 55 6,99 38 21 UI 26,0 229 125 2 900 70 0,618 -0,413 SEVERA

24 700 25 329,4 169 6,75 7 5 US 26,2 236 165 2 587 15 0,822 1,327 SEVERA

79 500 25 292,8 154 6,41 5 4 UI 27,5 235 191 1 460 250 0,863 0,765 MODERADA

6 700 825 2 513,2 47 6,98 50 10 UI 28,4 232 152 2 830 180 0,601 0,268 SEVERA

14 200 312 695,4 43 6,98 10 5 TI 32,9 234 122 1 410 180 0,437 -0,439 SEVERA

40 600 175 524,6 41 6,95 6 5 UI 30,1 232 181 1 902 220 0,576 0,422 MODERADA

34 350 187 524,6 149 6,79 9 8 UI 26,1 233 187 2 252 70 0,346 0,508 MODERADA

87 600 75 451,4 155 6,45 5 7 UI 27,7 237 176 1 340 130 0,723 1,287 MODERADA

21 150 262 510,0 16 6,98 12 5 UI 27,8 233 150 1 431 150 0,660 0,736 SEVERA

15 900 263 690,0 26 7,95 10 5 UI 28,0 232 158 1 233 158 0,476 -0,563 MODERADA

10 650 200 1 354,2 28 6,97 40 10 TI 25,9 220 175 700 70 0,672 0,782 SEVERA

7 800 225 1 464,0 32 6,76 65 15 TI 28,9 217 181 1 777 64 0,110 0,656 LEVE

13 950 187 695,4 53 6,99 11 8 UI 27,6 233 190 1 282 120 0,448 0,498 MODERADA

8 950 287 1 695,8 22 7,01 40 6 TI 26,5 235 192 1 212 95 0,614 0,893 SEVERA

7 550 125 1 415,2 50 6,77 80 10 TI 28,7 229 122 1 597 62 0,100 -0,417 LEVE

7 200 712 2 684,0 61 7,00 90 8 UI 21,7 223 182 2 316 300 0,118 0,184 LEVE

13

9

Tabla AIV.1. Base de datos destinada a la validación externa de la tendencia incrustante de fondo (continuación…)

Cl

SO

4

Bica

r

AcC

arb

pH

CO

2(g

as)

H2 S

(ga

s)

ArP

rod

AP

I

Tem

pF

o

Tem

pC

ab

PresF

o

PresC

ab

Sif

Sic

Tn

IF

12 950 262 2 305,8 72 6,84 55 3 TI 30,0 236 128 685 85 0,801 0,015 SEVERA

12 700 200 829,6 27 7,56 60 20 TS 30,1 236 214 1 641 220 -0,345 -0,090 NSPD

45 550 25 378,2 21 7,60 3 4 BT 17,9 225 200 1 031 65 0,759 1,112 MODERADA

41 400 37 488,0 123 6,37 5 45 BT 22,0 225 131 1 200 100 1,863 0,684 SEVERA

27 400 188 439,2 85 8,25 5 12 UI 30,1 230 202 1 525 100 0,191 0,699 LEVE

31 050 200 402,6 13 7,35 8 10 UI 24,3 227 171 1 259 94 0,135 0,071 LEVE

7 650 563 1 988,6 33 7,37 90 20 TI+UI 31,9 232 188 3 130 220 0,028 0,268 NSPD

42 250 100 390,4 28 6,99 5 9 US+UI 29,0 233 183 954 145 0,812 0,583 MODERADA

85 300 50 305,0 12 6,40 8 9 US 26,0 238 194 1 772 115 0,929 1,017 MODERADA

11 750 325 1 695,8 31 7,24 27 11 TI 33,0 229 94 640 100 0,753 -0,485 SEVERA

6 650 750 2 732,8 26 6,99 80 2 UI 24,0 226 208 1 656 80 1,583 2,407 MODERADA

6 700 550 1 971,1 0 6,98 35 9 UI 29,2 232 148 26 70 90 0,250 1,351 MODERADA

22 100 37 744,2 78 6,99 6 1 UI 26,5 280 185 921 320 0,631 0,573 SEVERA

11 200 188 1 098,0 142 7,56 18 11 TI 25,9 220 185 923 74 0,961 0,597 SEVERA

14 300 300 1 146,8 74 7,97 34 22 TS 30,0 238 205 1 430 112 0,340 0,588 MODERADA

72 400 400 366,0 179 7,57 5 7 BT 20,9 221 210 1 432 270 2,057 1,996 MODERADA

32 400 87 353,8 98 6,96 5 6 US 31,2 232 223 1 314 200 0,214 0,563 LEVE

30 700 112 366,0 103 6,99 4 5 US 32,5 234 216 1 776 200 0,247 0,618 LEVE

140

AIV.2.2 Tendencia corrosiva de cabeza

La Tabla AIV.2 presenta la base de datos dedicada a la tendencia incrustante de

fondo tras la selección de información realizada por el código descrito

anteriormente, conformada por los 40 primeros ensayos.

14

1

Tabla AIV.2. Base de datos destinada a la validación externa de la tendencia corrosiva de cabeza

Cl

SO

4

Bica

r

AcC

arb

pH

CO

2(g

as)

H2 S

(ga

s)

ArP

rod

AP

I

Tem

pF

o

Tem

pC

ab

PresF

o

PresC

ab

Sif

Sic

Tn

Cc

8 300 275 1 317,6 19 5,98 79 24 TI+TS 25,7 227 212 2 169 145 0,350 0,010 LEVE

15 150 100 451,4 74 6,81 7 6 BT+TI 25,7 227 212 2 169 145 0,433 -0,187 LEVE

8 400 250 1 317,6 34 6,98 22 14 TI 32,8 236 160 1 474 70 0,608 0,620 SEVERA

15 950 162 378,2 29 6,36 10 3 TI 32,9 234 107 1 001 170 -0,020 -0,530 LEVE

6 800 300 2 318,0 32 6,35 70 14 TI 30,9 234 141 948 180 0,765 -0,018 MODERADA

21 050 112 523,0 74 6,76 17 13 UI 25,4 237 130 1 282 120 -0,322 -0,177 MODERADA

13 100 325 756,4 55 6,99 38 21 UI 26,0 229 125 29 00 70 0,618 -0,413 LEVE

24 700 25 329,4 169 6,75 7 5 US 26,2 236 165 2 587 15 0,822 1,327 SEVERA

79 500 25 292,8 154 6,41 5 4 UI 27,5 235 191 1 460 250 0,863 0,765 MODERADA

6 700 825 2 513,2 47 6,98 50 10 UI 28,4 232 152 2 830 180 0,601 0,268 MODERADA

14 200 312 695,4 43 6,98 10 5 TI 32,9 234 122 1 410 180 0,437 -0,439 LEVE

40 600 175 524,6 41 6,95 6 5 UI 30,1 232 181 1 902 220 0,576 0,422 MODERADA

34 350 187 524,6 149 6,79 9 8 UI 26,1 233 187 2 252 70 0,346 0,508 MODERADA

87 600 75 451,4 155 6,45 5 7 UI 27,7 237 176 1 340 130 0,723 1,287 MODERADA

21 150 262 510,0 16 6,98 12 5 UI 27,8 233 150 1 431 150 0,660 0,736 MODERADA

15 900 263 690,0 26 7,95 10 5 UI 28,0 232 158 1 233 158 0,476 -0,563 MODERADA

10 650 200 1 354,2 28 6,97 40 10 TI 25,9 220 175 700 70 0,672 0,782 LEVE

7 800 225 1 464,0 32 6,76 65 15 TI 28,9 217 181 1 777 64 0,110 0,656 MODERADA

13 950 187 695,4 53 6,99 11 8 UI 27,6 233 190 1 282 120 0,448 0,498 MODERADA

8 950 287 1 695,8 22 7,01 40 6 TI 26,5 235 192 1 212 95 0,614 0,893 LEVE

7 550 125 1 415,2 50 6,77 80 10 TI 28,7 229 122 1 597 62 0,100 -0,417 LEVE

7 200 712 2 684,0 61 7,00 90 8 UI 21,7 223 182 2 316 300 0,118 0,184 SEVERA

14

2

Tabla AIV.2. Base de datos destinada a la validación externa de la tendencia corrosiva de cabeza (continuación…)

Cl

SO

4

Bica

r

AcC

arb

pH

CO

2(g

as)

H2 S

(ga

s)

ArP

rod

AP

I

Tem

pF

o

Tem

pC

ab

PresF

o

PresC

ab

Sif

Sic

Tn

Cc

12 950 262 2 305,8 72 6,84 55 3 TI 30,0 236 128 685 85 0,801 0,015 MODERADA

12 700 200 829,6 27 7,56 60 20 TS 30,1 236 214 1 641 220 -0,345 -0,090 MODERADA

45 550 25 378,2 21 7,60 3 4 BT 17,9 225 200 1 031 65 0,759 1,112 MODERADA

41 400 37 488,0 123 6,37 5 45 BT 22,0 225 131 1 200 100 1,863 0,684 LEVE

27 400 188 439,2 85 8,25 5 12 UI 30,1 230 202 1 525 100 0,191 0,699 LEVE

31 050 200 402,6 13 7,35 8 10 UI 24,3 227 171 1 259 94 0,135 0,071 MODERADA

7 650 563 1 988,6 33 7,37 90 20 TI+UI 31,9 232 188 3 130 220 0,028 0,268 SEVERA

42 250 100 390,4 28 6,99 5 9 US+UI 29,0 233 183 954 145 0,812 0,583 LEVE

85 300 50 305,0 12 6,40 8 9 US 26,0 238 194 1 772 115 0,929 1,017 MODERADA

11 750 325 1 695,8 31 7,24 27 11 TI 33,0 229 94 640 100 0,753 -0,485 MODERADA

6 650 750 2 732,8 26 6,99 80 2 UI 24,0 226 208 1 656 80 1,583 2,407 SEVERA

6 700 550 1 971,1 0 6,98 35 9 UI 29,2 232 148 2 670 90 0,250 1,351 LEVE

22 100 37 744,2 78 6,99 6 1 UI 26,5 280 185 921 320 0,631 0,573 LEVE

11 200 188 1 098,0 142 7,56 18 11 TI 25,9 220 185 923 74 0,961 0,597 LEVE

14 300 300 1 146,8 74 7,97 34 22 TS 30,0 238 205 1 430 112 0,340 0,588 MODERADA

72 400 400 366,0 179 7,57 5 7 BT 20,9 221 210 1 432 270 2,057 1,996 LEVE

32 400 87 353,8 98 6,96 5 6 US 31,2 232 223 1 314 200 0,214 0,563 LEVE

30 700 112 366,0 103 6,99 4 5 US 32,5 234 216 1 776 200 0,247 0,618 LEVE

143

AIV.3 VALIDACIÓN EXTERNA UTILIZANDO EL PROGRAMA

ScaleSoftPitzerTM

AIV.3.1 Predicciones realizadas por el modelo de árbol de decisión neural y el

programa ScaleSoftPitzer

Se levantaron las predicciones realizadas por el programa ScaleSoftPitzer y las

realizadas por el árbol de decisión neural (MADN) tanto para la tendencia corrosiva

de fondo como para la tendencia incrustante de cabeza. Se compararon la

tendencia real de cada uno de los ensayos con las predicciones realizadas,

asignando un valor de 1 si la tendencia real y la predicción coinciden, y de 0 si la

predicción está errada.

Los resultados de todos los ensayos realizados para ambos mecanismos de

predicción se presentan en las Tabla AIV.3 y Tabla AIV.4 para la tendencia

incrustante de fondo y la tendencia corrosiva de cabeza, respectivamente.

Tabla AIV.3. Comparación externa de la predicción de tendencia incrustante de fondo

Ensayo Tendencia real Matlab (MADN) ScaleSoftPitzer

1 MODERADA MODERADA 1 MODERADA 1

2 MODERADA MODERADA 1 LEVE 0

3 SEVERA SEVERA 1 SEVERA 1

4 NSPD NSPD 1 LEVE 0


6 NSPD NSPD 1 LEVE 0

7 SEVERA SEVERA 1 MODERADA 0

8 SEVERA MODERADA 0 SEVERA 1










18 LEVE MODERADA 0 LEVE 1



21 LEVE LEVE 1 LEVE 1

144

Tabla AIV.3. Comparación externa de la predicción de tendencia incrustante de fondo

(continuación)




24 NSPD NSPD 1 MODERADA 0





29 NSPD LEVE 0 LEVE 0




33 MODERADA SEVERA 1 SEVERA 0





38 MODERADA SEVERA 0 MODERADA 1



Tabla AIV.4. Comparación externa de la predicción de tendencia corrosiva de cabeza




3 SEVERA LEVE 0 SEVERA 1


5 MODERADA LEVE 0 SEVERA 0



8 SEVERA LEVE 0 MODERADA 0




12 MODERADA LEVE 0 MODERADA 1






145

Tabla AIV.4. Comparación externa de la predicción de tendencia corrosiva de cabeza

(continuación…)




20 LEVE LEVE 1 SEVERA 0

21 LEVE LEVE 1 MODERADA 0

22 SEVERA LEVE 0 SEVERA 1


24 MODERADA LEVE 0 LEVE 0




28 MODERADA LEVE 0 LEVE 0





33 SEVERA LEVE 0 MODERADA 0








AIV.3.4 Cálculo del porcentaje de acierto de la validación externa y porcentaje de

coincidencia entre la predicción realizada por el modelo de árbol de

decisión neural (MADN) y el programa ScaleSoftPitzer

El porcentaje de predicciones erróneas tanto del modelo de árbol de decisión neural

como del programa ScaleSoftPitzer, del total de ensayos realizados se calcula

mediante la Ecuación AIV.1

P = 100 (ne − ∑ c

ne)

[AIV.1]

Donde:

146

P: porcentaje de predicciones erróneas

ne: número de ensayos totales

c: predicciones acertadas

El porcentaje de aciertos generados para ambos mecanismos de predicción se

calcula mediante la Ecuación AIV.2.

A = 100 − P [AIV.2]

Donde:

A: porcentaje de predicciones acertadas

El porcentaje de coincidencia de predicciones entre el modelo de árbol de decisión

neural (MADN) y el programa ScaleSoftPitzer para el total de ensayos realizados

se obtiene mediante la Ecuación AIV.3.

cP = 100 ∙ [1 − (∑|PM − PS|

ne)] [AIV.3]

Donde:

cp: porcentaje de coincidencia

PM: acierto de la predicción realizada por el modelo de árbol de decisión neural

PS: acierto de la predicción realizada por el programa ScaleSoftPitzer

ne: número de ensayos realizados

147

Al reemplazar los valores en las Ecuaciones AIV.1, AIV.2 y AIV.3 para el conjunto

de información de la tendencia incrustante de fondo, contando el número de

aciertos del modelo de árbol de decisión neural (MADN) y el programa

ScaleSoftPitzer listados en las Tabla AIV.3 con respecto al número total de ensayos

utilizados para realizar la predicción, se tiene:

𝑃 = 100 ∙ 40 − 32

40

𝑃 = 20 %

𝐴 = 100 − 20

𝐴 = 80 %

𝑐𝑃 = 100 ∙ [1 − (18

40)]

𝑐𝑃 = 55 %

ESCUELA POLITÉCNICA NACIONAL · 2020. 4. 29. · 1.3.2 Incrustación en la industria petrolera 27...

Documents

Transcript of ESCUELA POLITÉCNICA NACIONAL · 2020. 4. 29. · 1.3.2 Incrustación en la industria petrolera 27...